- GMC: 一种用于视觉检测任务的多阶段上下文学习与利用的通用框架
提出了 GMC 框架,用于多阶段上下文学习和利用的通用框架,利用各种深度网络架构进行各种视觉检测任务。GMC 框架包括三个阶段:预处理、训练和后处理,并通过结合语义上下文信息和视觉信息,以及利用训练数据集中的先验知识捕捉语义关系,在对象之间 - CNER: 一个命名实体关系分类工具
CNER 是一个用于提取西班牙语命名实体之间语义关系的工具集合,采用基于容器的架构,集成不同的命名实体识别和关系提取工具,拥有用户友好的界面,可以轻松输入文本或文件,便于流程化分析。该工具在西班牙语自然语言处理任务中展示了机器学习技术的有效 - 利用自监督学习学习对象语义相似性
通过模拟时间序列的视觉经验,结合既视感与语言的对齐,我们的研究表明时间和既视感对齐是解释人类某些形式的语义知识起源的可能计算原理。
- Binder: 通过二进制向量的顺序嵌入进行层次化概念表示
Binder 是一种新的基于顺序的表示方法,通过使用二进制向量进行嵌入,具有比其他方法小一个数量级的紧凑嵌入向量,并且使用线性时间复杂度的简单有效的优化方案进行向量学习,具有在表示任务中具有竞争力的准确性,而在传递闭包链接预测任务中,与其他 - 思维图:生物推理的思维过程生成
我们提出了 Thought Graph 作为一种新颖的框架,用于支持复杂推理,并以基因集分析为例,揭示生物过程之间的语义关系。我们的框架在提供对基因集的更深入理解方面表现出色,与基于余弦相似性到人类注释的 GSEA 相比,超过了 40.28 - ATP:通过注意力机制实现对顶级主键的快速低延迟存储
提出了一种具有线性复杂度的新型注意力机制 ATP,通过观察输入序列通常具有低秩结构,将输入转换为正交空间,并仅在前几个主要基准上计算注意力。ATP 能够捕捉输入序列中的语义关系,并将注意力复杂度从二次降低到线性,从而在速度上比之前的工作获得 - AAAI新闻文章中的关系抽取(RENA):流行病监测工具
从新闻文章中提取关键实体和语义关系的关系抽取工具(RENA)是一个基于浏览器的工具,可以用于处理与传染性疾病相关的英语新闻文章。该系统使用 React 框架构建,向用户展示了简洁和用户友好的界面。它允许用户输入一篇新闻文章,并从两个模型中选 - 基于知识图谱的上下文感知可解释推荐
探索用户偏好相关的富含语义关联的知识图谱,提供能够适应用户环境的推荐系统框架,并在其中包含上下文。
- 通过推理高层次的语义关系概念改进情境图
本文介绍了如何使用图神经网络来学习从低级因子图中推断出的高级语义关系概念,提出了一个可以更准确、更高效地推断房间实体及其与映射墙面的关系的方法,同时演示了如何引入墙面的语义概念及其与墙面的关系。该方法已经集成到 S-Graphs + 中,并 - 探索嵌入技术以衡量文本相关性:揭示在线评论中的情感和关系
由于一次导致互联网使用增长 70% 的大流行病,全球范围内使用社交媒体的人数大幅增加。本研究通过使用词嵌入来分析评论中的组成部分和文档,调查了不同社交媒体平台上的情感和语义关系,论述了共享意见在这些不同媒体平台之间的重要性,为研究人员、政治 - SCP:场景补全预训练用于 3D 物体检测
通过场景补全预训练(SCP)方法来增强 3D 物体检测器的性能,SCP 具有改进点云模型初始化、消除对额外数据集的需求、减少标注数据量的三个关键优势,并能够使现有的 3D 检测器仅依赖 20% 标注数据即可实现相当性能。
- ReOnto: 一种用于生物医学关系提取的神经符号方法
ReOnto 是一种利用神经符号知识进行关系抽取任务的新技术,通过使用图神经网络获取句子表示并利用公开可访问的本体论来确定两个实体之间的句内关系,从本体论中提取两个实体之间的关系路径。在两个公共生物医学数据集 BioRel 和 ADE 上进 - SAP-sLDA:探索非结构化文本的可解释界面
通过低维投影对文本语料库进行探索是一种常见方法,我们提出了一种半监督的人类参与的基于 LDA 的方法,用于学习在低维投影中保留文档之间语义相关性的主题。
- 词之间的语义关系获取
本文探讨了语义关系与不同语言形态学方面之间的动态相互作用,通过研究语言形态学和语义关系之间复杂的关系,可以得出关于词汇结构如何影响语言理解的宝贵见解。
- RaSP: 基于关系感知的语义先验策略用于弱监督下增量分割
本文提出一种基于语义关系的弱监督方法,将对象先验从以前学习的类别转移到新类别,从而提高了新类别和旧类别的分割掩模质量,并在一些连续学习任务中验证了该方法的有效性。
- ACL跨模态检索和综合的多模式关系抽取
本研究提出了一种多模态关系抽取方法,通过检索对象、句子和整个图像的文本和视觉证据,综合考虑了同一和不同模态之间的信息,从而比现有的方法更准确地识别语义关系并显著提高了效果。
- CLIP-GCD: 简单的语言指导通用类别发现
本文通过引入多模态模型 (CLIP),提出了一种基于文本检索的机制,通过挖掘带标签和无标签文本库中的文本描述来实现联合图像 + 文本半监督聚类,该方法在多个数据集上得到了最优结果。
- 主动自监督学习:少量低成本的关系即可满足需求
通过 Positive Active Learning 策略,可以扩展自我监督学习(SSL)到在线学习,半监督和监督学习。该框架可嵌入先验知识并提供主动学习框架,从而实现低成本对数据集的注释。
- 3D 点云中的开放词汇能力检测
本文介绍了一种名为 Open-Vocabulary Affordance Detection (OpenAD)的方法,能够在三维点云中检测出大量未被预定义的功能,无需单一标注实例即可实现零 - shot 检测,并成功利用功能语义关系提高检测 - RSG-Net: 面向智能车辆在复杂环境中富语义关系预测
该研究提出了一种通过使用图卷积网络来预测自动驾驶车辆周围物体间的潜在语义关系的方法,并产生了称为 “路景图” 的图形结构结果,为风险检测、环境理解和决策制定等任务提供了基本方法。