- 通过上下文学习和反馈实现精细化可控的文本生成
我们提出了一种方法，用于将输入的句子重写为特定的非平凡语言特征值，如依赖深度，并且与以往的工作相比，我们的方法使用上下文学习而非微调，使得它适用于数据稀缺的情况下，并且我们展示了我们的模型能够准确重写并匹配现有的将句子重写为指定学校年级水平 - 稀疏激光雷达扫描的快速且稳健的法线估计
本文研究了使用稀疏 LiDAR 数据估计垂直线的方法，通过标记相邻点的角度并只计算带有相同标记的点的法线，成功解决了高曲率区域平滑法线的问题，并证明了该方法在高质量地图生成中的稳健性和低运行时开销。
- 基于基底投影层的稀疏数据在深度学习训练中的设计 —— 以 GC-MS 光谱为案例研究
将稀疏数据转换为密集表示形式的基于投影的层（BPL）用于优化深度学习模型中的梯度计算和微调过程，进而提高性能。
- 结构化数据的自动编码器压缩：非线性和深度的可证明优势
对于 1 位稀疏高斯数据压缩的典型情况，我们证明梯度下降收敛到一个完全忽略输入稀疏结构的解，且相对于高斯源完全没有稀疏性能。对于一般数据分布，我们提供了关于梯度下降最小化器形状的相变现象的证据，关键是数据的稀疏度：在关键稀疏性水平以下，最小 - 稀疏生物数据快速双正则化自编码器
关系推断对于从产品推荐到药物发现等应用都是一个重要任务。我们将线性模型扩展成一个浅层自动编码器，用于解决稀疏矩阵补全问题，证明了我们方法在预测药物靶标相互作用和药物疾病关联方面的速度和准确性优势。
- 用于异步生物过程时间序列预测的深度集合神经网络
通过使用具有三元编码的深度集合神经网络，本文展示了一种成功处理生物过程数据的方法，无需插值或对齐程序，并且适用于任何任务，尤其适用于典型的培养过程中的预测任务。
- SparsePoser: 实时全身运动重建从稀疏数据
SparsePoser 是一种深度学习为基础的解决方案，用于从一组减少的六个跟踪设备中重建全身姿势。该方法在公开可用的动作捕捉数据集上进行了广泛评估，并通过实时演示显示了优于使用 IMU 传感器或 6 自由度跟踪设备的最先进技术，可适用于具 - 动态和非平稳环境中的基于核的函数学习
机器学习中一个核心主题是从稀疏和嘈杂的数据中进行函数估计。本文研究了内核岭回归，并推导了在非平稳分布下的收敛条件，同时解决了可能无限次发生的随机调适情况，包括重要的探索 - 开发问题。
- 经典算法是公平学习者：对自然天气和野火发生的分类分析
经过评估，本文旨在展示经典的机器学习算法（如决策树、Boosting、支持向量机、k 最近邻算法和浅层人工神经网络）在处理稀疏数据的分类任务中的效果，并观察数据噪声增加时对这些算法的影响，以及不同参数对分类准确性的提升。研究表明，即使在有限 - 利用稀疏地理位置数据预测旅游流量
21 世纪的现代旅游面临着众多挑战，其中游客数量快速增长、历史城市、博物馆等地区空间有限以及桥梁等瓶颈是最大的问题之一。本文中，我们通过使用深度学习方法（如 RNNs、GNNs 和 Transformers）以及经典的统计 ARIMA 方法 - 从姿势 RGBD 数据学习预测场景级隐式 3D
本文提出了使用隐式函数进行场景级别三维重建的方法，利用 RGBD 数据对三维重建进行预测，与使用网络相比具有更好的鲁棒性和更少的标注要求。
- 利用物理信息的神经网络和硬性约束进行微震源成像
本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性 - 基于贝叶斯样条学习的非线性动力学方程发现及不确定性量化
使用贝叶斯样条学习框架可以从稀疏、嘈杂的数据中识别非线性时空动态系统的简约控制方程，并量化系统不确定性。
- 学习从有限观测的时空图中重建缺失数据
该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。
- SIGIR粗到细的稀疏序列推荐
该研究论文提出了一种新的基于自注意力机制的序列推荐方法 CaFe，通过同时建模用户的购物意向和交互项目，实现了对于稀疏数据的高质量推荐，相比于当前最先进的自注意力推荐方法，NDCG@5 的表现提高了 44.03%。
- 物理信息图神经 Galerkin 网络：求解 PDE 控制的正向和反向问题的统一框架
本研究介绍了一种新型离散 PINN 框架，基于图卷积网络和 PDE 的变分结构，能够在前向和反向设置中严格施加边界条件和吸收稀疏数据，适用于处理不规则几何形状和非结构化网格等应用领域。
- 混合量子经典图卷积网络
本研究提出一个混合量子经典图卷积网络 (QGCNN) 来处理高能物理数据中的稀疏数据，其在参数数量方面比经典多层感知器和卷积神经网络具有优势，并且在测试准确性方面与量子卷积神经网络相当。同时，研究表明探究图卷积操作和其他量子机器学习模型的应 - MM斜向预测聚类树
本研究提出了斜向预测聚类树（oblique predictive clustering trees），可有效处理高维稀疏数据以及特征的重要性得分提取，实验表明其与现有最优方法的性能相当且速度快得多。
- ICML原始 - 对偶坐标下降的随机外推
本文介绍了一种随机外推的原始 - 对偶坐标下降方法，它适应数据矩阵的稀疏性和目标函数的有利结构，更新了仅包含稀疏数据的一小部分原始和对偶变量，并使用较大的步长和密集数据，保留了为每种情况设计的特定方法的优点。此外，我们的方法不需要任何修改即 - 基于生成的稀疏检测网络的 3D 单次物体检测
文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法，称为 Generative Sparse Detection Network (GSDN)，该方法将稀疏的数据集扩展成支持物体检测的密集数据，该方法在三个 3D 室内数据集上进行验证