- 使用观点动力学在图上进行关系推理
通过引入一个抽象层，本文利用图神经网络将代理的状态映射到它们对每个类别的关联度，将代理之间的物理接近性和关联度整合到非线性舆论动力学模型中，用于识别互斥类别、预测代理的时间演变和控制代理的行为，从而在机械系统的可学习类别和长期轨迹预测基准测 - 大型语言模型和知识图谱用于天体实体消歧
通过使用大型语言模型 (LLMs) 和知识图谱聚类来提取天文文本中的实体和关系，本研究在黑客马拉松期间进行了一项实验，并演示了一种消歧实体的方法，该实体可在天文领域的各种上下文中出现。通过收集特定实体周围的摘录并利用 GPT-4 语言模型， - 基于大规模语言模型的复杂本体对齐
本文研究了利用大型语言模型（LLM）以解决复杂本体对齐挑战的应用，采用基于提示的方法和整合丰富本体内容的模块，取得了自动化复杂对齐任务的重要进展。
- Task2Box：用于建模非对称任务关系的盒子嵌入
使用盒子嵌入方法（在低维空间中使用轴对齐的超矩形）可以准确地捕捉任务之间的不对称关系，并用于任务之间的预测和可视化。
- 分类和回归问题中潜在模型性能提升的范例：概念验证
通过生成多个辅助模型，捕捉属性之间的关系，并生成数据集中的额外信息列，以提高目标预测的性能。
- KDD基于图神经网络的概率性需求预测
该研究论文在需求预测中通过整合图神经网络到先进的 DeepAR 模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。
- 远程监督的词形句法模型用于关系抽取
信息抽取任务涉及将非结构化文本内容自动转换为结构化数据。本文提出了一种从文本中提取和分类无限制关系集的方法，它基于远程监督方法获取的形态 - 句法抽取模式，并创建句法和语义索引来提取和分类候选图。我们在构建在 Wikidata 和 Wiki - ChatGPT 在恋爱分手中的作用探究
通过半结构化访谈研究，我们发现人们在结束一段感情关系的各个阶段存在独特需求，目前技术主要用于信息搜集、社区支持、催化分手、实现 “鬼魂” 和 “屏蔽”，以及促进沟通；研究参与者预计人工智能可以在关系结束前帮助理解感情，作为调解人，协助在分手 - 基于图像和描述之间的结构相似性的零样本指称表达理解
用大型基础模型在视觉和文本之间解耦，并通过计算结构相似矩阵和三元组匹配来提高零样本参照表达理解及视觉定位性能。
- 使用图神经网络进行可解释的伊斯兰教恶意言论识别
使用图神经网络，本研究提出了一种新的范式来识别和解释针对伊斯兰教的仇恨言论，以期实现和谐与和平。模型透过发现、提取和利用不同数据点之间的关系，始终以卓越性能并提供潜在相关性和因果关系的解释。
- 可解释人工智能中因果关系的作用
通过研究文献，我们发现因果关系和可解释人工智能 (XAI) 是紧密联系的，彼此之间存在三种关系视角：缺乏因果关系限制了当前人工智能与可解释人工智能方法的发展，理想的解释形式的探索，以及因果关系作为可解释人工智能的先导，并通过从因果关系中借用 - 通向构建可推广的工程设计知识
本文介绍一种从专利文件中提取事实的方法，使用这些事实填充知识图谱来表示和存储设计知识，其中训练了一个标记器来识别实体和关系并组合这些知识点进行比较，建立了一个与风扇系统相关的领域知识库。
- 知识图谱的结构与动态，附带表浅特性
研究了知识图谱的结构和动态，发现关系间的语义多样性可以用表层性概念简单建模，从而控制独立生成事实的关系重叠程度，也确定错述实体的比例，有助于更好地理解正式的知识获取和组织。
- 语言模型能否捕获图形语义？从图形到语言模型和相反
本文研究分析了如何使用深度学习模型压缩知识图谱，并在大部分语义保持不变的情况下将其解压回原始状态。但是本文发现，Transformer 模型无法完全表达输入的知识图谱，这是因为知识图谱中的定向关系和类型信息与 Transformer 的注意 - ICCV通过标题的关注蒸馏生成场景图
文章阐述了如何使用图像注释中的注意力分配机制来增强场景图的估计能力，提出了一种称为主题场景图的方法，学习从图像到自然语言的映射，并用于关系重要性估计。
- CVPR电影人物间关系及互动学习
本文提出了神经网络来学习和联合预测人物之间的互动关系及其涉及的角色，利用视觉和对话提示，通过多模态架构从中提取有意义的信息，并在 MovieGraphs 数据集上进行评估。
- AAAI从生物医学文本中无需提及级别监督即可同时连接实体并提取关系
提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。
- MetaGraph2Vec： 复杂语义路径增强异构网络嵌入
本文提出一种新的多元化方法 ——Metagraph，用于网络嵌入学习中捕捉不同节点之间更丰富的结构和语义上下文信息，从而在处理非常稀疏的异构信息网络时提高了 MetaPath 嵌入技术的能力，并实验证明 MetaGraph2Vec 算法能够 - 高效的多任务特征和关系学习
本文针对多任务学习问题，提出一种学习任务和输入特征之间关系的联合预测方法，通过优化任务协方差和特征协方差矩阵，提出了一种高效的坐标轮流最小化算法，实验结果表明该方法比同类方法快得多，同时提供了一种非线性扩展方法，其泛化能力比现有方法更好。
- ICCV基于综合图像 - 语言线索的短语定位和视觉关系检测
该论文提出了一种利用大量语言和视觉线索定位或落实图像中短语的框架，该系统在 Flickr30k 实体数据集的短语定位和斯坦福 VRD 数据集的视觉关系检测上取得了最先进的性能。