- 准确社群恢复（在给定辅助信息下）：谱算法的最优性
在这篇论文中，我们研究了在一般的二元博弈和高斯矩阵模型中的精确社区恢复问题，这两种模型分别捕捉了随机块模型、子矩阵定位和 Z2 同步作为特例。我们还研究了有关社区分配标签的智能信息可用的情况，将其建模为通过噪声通道传递真实标签：二进制擦除通 - ACL面向话题引导对话的个性化话题选择模型
提出了一种个性化话题选择模型 PETD，通过考虑边缘信息的相互作用，选择性地聚合这些信息以更准确地预测后续的话题，从而构建了一个富有吸引力和连贯性的对话系统。实验证明了该方法在各种评价指标上优于现有基线模型。
- 使推荐系统更具专业知识：一个整合辅助信息的框架
该研究提出了一种利用边缘信息来提高推荐系统性能的新框架，并通过实验证明，该推荐系统在准确率和收敛速度上优于其他最先进的模型。此外，该研究还探讨了关注机制的新型正则化损失，并提出了进一步改进的一些见解。
- 广义和谐史塔克伯格博弈中的去中心化在线学习
我们研究了分布式和策略性在线学习问题，通过对不完全信息和附加信息两种不同情境进行研究，发现追随者在有限信息情境中按照局部最优策略响应领导者的行动，然而在附加信息情境中，追随者可以通过策略性行动操控领导者的奖励信号，以使得领导者的策略收敛到对 - 基于侧信息的斯塔克伯格博弈中的遗憾最小化
Stackelberg 博弈是算法博弈论的一个重要应用，通过引入附加信息和在线设置，可以实现无遗憾学习。
- 零样本回归的目标归纳方法
通过使用侧信息的相似度和参数学习方法，本文提出了两种用于回归的零样本方法，用于预测气象站的空气污染物数量，并在人工数据集、UCI 存储库社区和犯罪数据集以及污染物方面进行了比较。这两种方法均优于基线方法，但参数学习方法表现出了较高的优越性。
- 零样本回归的直接侧信息学习
零样本学习中缺乏零样本回归方法，本文提出了一种新颖的方法，将特征和附加信息融合成一个核，以更好地预测未观察到的目标模型。该方法在人工和真实数据集上展现出更好的性能。
- CHAMP：一个用于深入分析 LLM 数学推理能力的竞赛级数据集
我们提出了 CHAMP 数据集，该数据集包含高中数学竞赛问题，注释了概念和提示，使我们能够探索额外信息对模型性能的影响，发现模型生成的解决方案通常通过错误的推理步骤最终得出正确答案，并且大多数模型在验证这些解决方案时遇到困难。
- 利用侧面信息通过基于扩散的方法生成配体构象
通过引入侧面信息，我们提出了一种新方法来生成配体构象，该方法在标准扩散模型中融入了灵活的约束，并使用标量化学特征训练能源模型，从而生成更具生物学意义的构象。
- 非稳态环境下具有昂贵特征的在线学习
在顺序决策问题中，我们扩展上下文奖励设置并允许智能体观察功能状态的子集，以同时最大化长期平均收益并在有限时间内保证减少。
- 使用旁路信息的差分可微均值漂移算法 (DMS) 进行数据集不可知任务特定聚类
该研究提出了一种基于侧面信息学习数据聚类的新方法，使用自定义迭代神经网络实现 Differentiable Mean Shift（DMS）进行聚类，该方法不需要知道聚类数量、中心点或任何距离度量，可在不同任务需要的情况下将相同的数据点分成不 - SIGIR一种基于主题感知的摘要生成框架，包含不同的模态侧面信息
本文提出了一个灵活的自动摘要模型，利用统一主题编码器和三元对比学习，将单一或多模侧面信息与文档在相同语义空间内对齐。 在三个常用总结数据集上优于强基准线。
- 利用加权无重复抽样进行风险限制的财务审计
本文提出了风险限制的财务审计 (RLFA) 的概念，包括置信序列 (CS)，重要性加权和控制变量等方法，为加强财务审计提供指导。
- AAAI特征域多尺度块匹配学习的分布式图像压缩
采用多尺度特征域补丁匹配（MSFDPM）模块来充分利用分布式图像压缩模型中的附加信息，从而比图像域中的补丁匹配方法（Ayzik 和 Avidan 2020）更好地解决了视差问题，并提高了约 20% 的压缩率。
- AAAI序列推荐中的非侵入式自注意力用于辅助信息融合
本研究提出了一种新方法 NOVA，在 BERT 框架下利用辅助信息来提供更好的注意力分布，以便更全面和更好地推荐。在公共和商业数据集上验证，本文提出的方法能够稳定地胜过现有技术。
- ECCV用辅助信息进行弱监督学习以应对嘈杂标记图像
通过使用 SINet 实现弱监督学习，该模型通过引入侧面信息生成紧凑的分类表示并估计每个噪声图像的正确性得分，可以大大减少噪声图像标签的负面影响，并有助于训练具有高性能的 CNN 分类器。
- ICML基于循环神经网络的混合式基于会话的新闻推荐
本文介绍了一种基于混合元架构的会话式新闻推荐模型 —— 变色龙。该模型利用循环神经网络来整合多种信息类型，并采用了一种模拟新闻门户网站的动态评估策略。实验结果表明，与其他基于会话的推荐算法相比，采用循环神经网络模型和利用用户和文章的辅助信息 - 使用解码器侧信息的深度图像压缩
作者提出了一个基于深度学习的图像压缩神经网络，该网络利用仅仅面向解码器的附加信息，并基于编码器可用的图像和解码器可用的图像是相互关联的这一假设，在训练阶段让网络学习这些关联。然后，在运行时，编码器侧对输入图像进行编码而不知道解码器侧图像的任 - 带有辅助信息的推荐研究综述及研究方向
本文综述了基于用户或物品侧面信息的推荐系统研究，并从方法论和侧面信息表示两个角度，概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示，并探讨了应用推荐系统面临的挑战和未来发 - 基于音频的零样本学习音乐分类和标记
本文研究了音乐领域中的零样本学习，并组织了两个不同的副信息设置，探讨人类标记的属性信息和一般词语语义信息的适用性，在音乐分类和多标签零样本学习方面提出了数据分割方案和评估设置，并报告了实验结果。