- ACL基于常识 Transformer 的物化知识库
本文回顾了由 Bosselut 等人（2019）提出的 COMET 方法，并探讨了利用预训练的语言模型直接生成通识知识的可能性。通过创建物化资源，本文分析了此方法的潜在精度和召回率，并确定了常见问题案例，并提供了物化资源可能实现的用例。本文 - 物体检测中的幻觉 —— 视觉部分验证研究
本研究发现，物体探测器可以出现幻象并检测丢失的物体，这对于依赖于视觉部分验证的应用程序特别有问题。我们通过提出第一个视觉部分验证数据集 DelftBikes，来研究如何解决这个问题，并且提出了依靠召回率来比较流行的物体探测器在 DelftB - EMNLP基于知识的机器翻译评估
提出了一种基于实体 grounding 以及实体回忆率来进行机器翻译评估的方法，无需参考翻译，并在多项测试中取得了高度的人类相关性表现，并通过数据集共享促进进一步研究。
- KDD序列异常检测器的统计评估
本研究提出了基于时间容限的点异常检测的精度和召回率的概念并进行统计模拟研究，结果表明当计算时间容限后，精度和召回率可能会高估检测性能。我们展示了如何获得这两个度量的空分布来评估结果的统计显着性。
- CVPR序列级探索提高字幕生成质量
本文讨论了当前序列级别的学习目标在字幕任务中的局限性，通过理论和实证结果表明当前目标在优化模型生成的字幕的准确率方面表现优异，但是忽略了召回率。为此，我们提出了一个序列级别探索项来提高模型字幕的召回率，实验表明这种方法对图像和视频字幕数据集 - ICML生成模型的可靠保真度和多样性度量
本研究旨在寻找图像生成任务的指标评价方法，证明最近的精度和召回率指标并不可靠，并提出一种新的基于密度和覆盖率的评价指标，这些指标可以提供比现有指标更可靠的信息信号。
- ACL利用检索到的翻译片段指导神经机器翻译
通过搜索引擎检索以前见过的语句，然后提取这些语句中与源语句匹配的 $n$-grams 以实现将历史翻译例子加入到神经机器翻译模型中，因此提高翻译效果。
- 时间序列的精确度和召回率
本研究提出了一种新的数学模型，用于评估时间序列分类算法的准确性，并将经典异常检测方法扩展到处理基于时间范围的异常，同时支持领域特定的定制化需求。
- 鲁棒指纹细节提取器：深度网络和指纹领域知识的集成
提出了一种名为 MinutiaeNet 的全自动细节提取器，基于深度神经网络，采用紧凑特征表示，用于快速比较细节集。使用指纹领域知识和深度网络的结合，改善了细节检测的准确性，实验结果表明，MinutiaeNet 对 NIST SD27 和 - 可伸缩和强健的集合相似性连接
本文提出了一种新的集合相似性连接的随机算法，可以实现任何期望的召回率，这种方法在数据不具有罕见令牌结构时也具有鲁棒性，本文的方法在很大程度上提高了现有方法的效率。
- MM用卷积神经网络进行非最大值抑制
本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法，摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。
- IJCAI基于模式结构的推荐算法 RAPS
该论文提出了一种新的推荐算法，基于 Pattern Structures，比较了该算法和基于物品的 Slope One 算法在 Movie Lens 数据集上的准确率和召回率等指标，结果表明 RAPS 在质量方面表现最佳或与之可比。
- ACL更准确的结果差异统计学显著性检验
该研究探讨了在自然语言处理实证研究中，常用统计方法在独立性假设违反情况下，低估了统计差异的问题，并提出了一些不需要独立性假设的有效测试方法。