- 未观察到的混杂因素下的因果公平性：一种神经敏感性框架
现实中，由于法律、伦理和社会原因，对机器学习预测的公平性要求越来越高。尽管现有工作通常关注没有未观察到混淆的情况，但未观察到的混淆可能导致严重的因果公平性违规和不公平的预测。本研究分析了未观察到的混淆对因果公平性的敏感性，并提出了一个新的神 - ACLMISMATCH: 机器生成文本的细粒度误差类型评估
本文提出了一种新的评估模型人类的七种 NLP 任务的机器文本的方案，并通过副任务和现有单一数字评估指标对模型进行了改进。
- 基于知识增强的上下文化方法检测迷因的解释性证据
该论文提出了一种新任务 MEMEX，旨在挖掘梗背后的背景信息，为此，他们开发了一个名为 MCC 的新数据集，同时提出了一种名为 MIME 的多模态神经框架，它使用常识丰富的梗表征和分层方法来捕捉梗和背景之间的跨模态语义依赖关系，获得了比最好 - 融合会话历史和候选来源进行上下文响应排序的对话系统中的 FCC
本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。
- 用于更好的超出分布泛化的功能间接神经估计器
通过在函数空间而非数据空间中进行类比和间接寻址，进行新颖数据集的泛化是机器学习领域的一个挑战。本文提出了一个新的神经框架 FINE（Functional Indirection Neural Estimator），它借鉴了大脑的类比和间接机 - 面向上下文感知的神经性能评分同步
研究表明，通过采用基于数据驱动、环境感知式度量学习的方法以及神经网络框架代替传统的基于知识和随机模型的方法，可以更好地实现音乐演奏和乐谱的同步对齐，进而从事音乐教育、音乐演出分析、自动伴奏和音乐编辑等多个领域的研究与应用。
- ComplexGen：基于 B-Rep 链复合体生成的 CAD 重构
综合建模几何原语的链复形，可精确重建 CAD B-Rep 模型，提出一个新的神经网络框架来推测几何原语之间的关系，并通过全局最大化似然性和几何优化方法恢复一个确定的 B-Rep 链复形，实验表明，该模型比以前的结果更加准确和完整
- CVPRPartGlot: 从语言参考游戏中学习形状部分分割
PartGlot 介绍了一种基于语义部件分割的神经框架和相关架构，仅基于部件引用语言进行学习，利用自然语言反映对象组成结构对对象及其部分形成的准则提出优先权，无需进行大规模的部件几何注释即可仅通过语言学习三维形状部分。
- ICLRBack2Future: 利用 Backfill Dynamics 来提高未来实时预测
本文介绍了一种基于 COVID-19 疫情数据的多元回溯问题，构建了一个详细的数据集，并提出了一个名为 Back2Future 的神经框架，能够在实时中精确预测并改善现有的模型性能，实验表明，与基准线相比，该方法产生 18% 的改进，进而提 - EMNLPCOMET: 机器翻译评估的神经框架
介绍了 COMET，这是一个使用神经网络的多语言机器翻译评估模型，它利用了跨语言预训练语言建模的最新进展，通过同时使用源输入和目标语言的参考翻译来更准确地预测机器翻译的质量，并在 WMT 2019 指标共享任务中获得了新的最优表现，并展示了 - ACL多方向联合优化功能特定词表示
我们提出了一个用于学习关联性的神经框架，该框架可应用于主谓宾结构等词组的词向量空间的学习。结果表明，我们的模型在选择偏好和事件相似性等任务上均具有鲁棒性和多功能性，并减少了高达 95％的参数数量。
- ACL语义代码搜索的多角度架构
该研究提出了一种多角度跨语言神经框架用于代码 - 文本匹配，具备全球和本地相似性，结果比以往单映射空间的方法更好地完成了这一任务。
- EMNLP使用子方面函数的条件神经生成模型用于提取新闻摘要
本研究提出了一种基于神经框架的文本摘要方法，引入了多种子方面的函数（包括重要性、多样性和位置等），可以根据不同控制码来决定在生成文本摘要时关注哪个子方面，以减少位置偏向性并提供更多的用户偏好选择。
- ECCV强化学习建模 3D 形状
本文提出了一种基于深度强化学习的两步神经框架来模拟 Maya 软件中的建模过程，并且采用新颖的训练算法来 efficient 训练模拟器，从而达到模拟生成 3D 模型的效果。
- ACL联合考虑上下文和用户历史信息的在线对话重返预测
研究在线交流中重新参与预测的问题，提出了一个基于神经网络的框架，考虑了对话上下文和用户历史信息，实验结果表明该模型较之前的方法表现更优
- ACL一种用于句子级别语篇解析的统一线性时间框架
使用神经框架和指针网络，基于 Rhetorical Structure Theory (RST) 的句子级别的语篇分析提出了一种高效的分析方法。基于分段器和分析器的性能表现显示出此方法具有优势且逼近人类认知水平。
- PDP: 一个通用的神经网络框架，用于学习约束满足求解器
本论文提出了一种基于图神经网络的通用框架，可用于以完全无监督的方式通过能量最小化解决 CSP 问题，并通过在图模型中传播、减少和预测的方法学习搜索策略，从而比现有的神经网络和基线模型更有效地解决 SAT 问题。
- EMNLP收集意见：方面提取会见情感预测，并且它们均受弱监督
文中介绍了一种从在线产品评论中进行意见摘要的神经框架，该方法是知识瘦身的，只需要轻量级的监督，包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件（一个偏向提取器和一个基于多实例学习的情感预测器），从多个评论中识别显著观点并形成提取式 - LCMR: 基于结构化文本的协同过滤中的本地化和集中式记忆
该研究提出了一种名为 LCMR 的神经框架，利用本地和集中记忆来处理内容信息和交互数据，以提高协同过滤推荐系统的性能，该方法在实际数据集上表现出较好的表现。
- ACL带元数据的神经模型文档
本篇论文基于主题模型，利用变分推断的方法，提出了一种通用的神经网络框架，允许灵活地结合元数据，通过迅速探索备选模型等方法，在保证困惑度、连贯性和稀疏性的情况下，取得了强大的性能。此外，通过对美国移民文章语料库的探索，展示了本框架的潜力。