- SIGIR基于上下文不变量的迁移学习用于一对多跨领域推荐
文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。
- 基于物理约束的贝叶斯神经网络用于稀疏噪声流场重建
本文提出了一种基于物理约束的贝叶斯深度学习方法，用于从稀疏、噪声较大的速度数据中重建流场，并估计重建流的不确定性，该方法在稀疏测量数据上训练贝叶斯深度神经网络来捕捉流场。与此同时，在无法获得测量数据的大量时空点上，对违反物理定律的惩罚将被响 - 复合凸最小化加速对偶平均原始对偶算法
本论文提出一种新的加速双平均主 - 双算法来最小化组合凸函数，并推导了该方法的随机版本，从理论和实证上证明了其在处理稀疏数据方面的优势。
- 一种用于知识追踪的自注意力模型
通过自我关注机制，提出了一个有效的知识追踪方法，使用相对较少的 KC 来预测学生的掌握程度，这种方法在处理稀疏数据时表现更好，并在多个真实数据集上得到了显著的提高。
- WWW稀疏数据的浅层自编码器
本研究提出一种基于简单元素的线性模型，针对推荐系统的稀疏数据和隐式反馈数据，并展示其训练目标具有闭式解，该简单模型在所有公开数据集上都取得了比深度非线性模型更好的排名准确性。
- 用于二维稀疏光声层析成像伪影去除的全密集 UNet
提出了一种基于修改的 CNN 结构的全密集 UNet (FD-UNet) 来从稀疏数据中重建 2D PAT 图像并比较所提出的 CNN 与标准 UNet 在重建图像质量方面的性能。
- 有限轮数后，随机重洗优于随机梯度下降
本论文首次提出了证明随机梯度下降算法的 RandomShuffle 版本在 “合理” 迭代次数后，比常规的有替换版本更快收敛的非相态解决方法。同时，论文还探讨了该问题在强凸性、稀疏数据和非强凸梯度主导函数等方面的推广。
- AMORE-UPF 在 SemEval-2018 任务 4 中的表现：带实体库的双向 LSTM
这篇论文介绍了我们在 SemEval 2018 任务 4 中获胜的贡献：基于多方对话的角色识别。它是一个简单、标准的模型，具有一个关键的创新：实体库。我们的结果表明，这种创新极大地促进了不经常出现的角色的识别。鉴于我们模型的通用性，这一发现 - ICLR基于神经引导的演绎式搜索：以示例为基础的实时程序综合
本文介绍了神经引导演绎搜索 (NGDS) 技术，应用于编写用户意图程序的问题，结合了符号逻辑技术和统计模型，通过演绎搜索框架来学习神经网络组件，以找到最适合提供的规范的程序，并在真实客户场景中验证其实用性。
- 基于神经网络的稀疏预测分析的因子分解机
本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实 - 从大规模数据中学习分段线性模型，用于广告点击率预测
本文介绍了一个用于大规模稀疏数据的 CTR 预测的工业级模型 LS-PLM，该模型能够在分布式系统中高效捕捉来自海量数据中的非线性模式，并在阿里巴巴在线广告系统中服务于数亿用户。
- ICCV使用双重排列同态加密实现隐私保护的视觉学习
本文提出了一个隐私保护的视觉分类器学习框架，利用分布式私有图像数据进行学习，并使用同态加密系统保护数据隐私。通过 DPHE 和稀疏数据约束方法提高同态加密的运算效率，最终得出在保证数据隐私的前提下，能够与最先进的视觉识别方法媲美的分类器。
- SPARTan: 大规模稀疏数据的可扩展 PARAFAC2
通过提出 SPARTan 方法，我们得以解决 PARAFAC2 运算大规模、稀疏数据时的效率问题。在通过真实病例进行的评估中，我们发现 SPARTan 在表现上胜过了过去的实现，并以高效的方式获得了对于复杂医学病例下几位小患者的临床意义刻画 - CVPROctNet：学习高分辨率的深度三维表示
本文介绍了一种针对稀疏三维数据的深度学习表示方法 OctNet，通过使用一组不平衡的八叉树对空间进行分层划分，在每个叶子结点存储池化特征表征，从而实现了既有深度又有高分辨率的三维卷积网络，探究了分辨率对 3D 物体分类、方向估计和点云标记等 - 利用高斯循环矩阵的快速二进制编码：改进界限
本文研究如何通过二进制嵌入方法在保留向量之间的角度距离信息的同时，将一个有限向量集编码为少量比特位。通过推导出与二元高斯循环嵌入相关的改进方差界，我们基本上解决了最佳快速二进制嵌入方法的证明中的漏洞。我们的界限也表明，早期关于方差界的工作中 - ICML高维稀疏数据分类模型解释
本文通过提出两种替代方法，列出重要特征来解释预测模型，以解决使用人们行为数据所建模型难以解释的问题，并发现这两种方法具有双倍的 “解释效果”，且产生的重要特征排序相似。
- 通过 Ridge Leverage Score 抽样进行输入稀疏时间低秩逼近
该研究提出了一种新的基于采样策略的算法来计算矩阵的最优低秩逼近，相较于之前基于随机投影的算法，该方法可适用于稀疏结构等场景，并在核矩阵逼近算法方面表现最优。
- 高维稀疏数据的相似性学习
该研究提出了一种使用参数化相似性度量的方法，将其作为具有特定稀疏结构的秩一矩阵的线性组合，此方法可以高效地处理高维稀疏数据，并通过近似的 Frank-Wolfe 过程优化参数以满足训练数据上的相对相似性约束，实验结果表明该方法具有分类、降维 - 跨领域推荐的选择性迁移学习
该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。
- 利用单调性约束从稀疏数据中学习
本文通过将定性单调性知识表现为概率分布约束，并将其纳入贝叶斯网络学习算法，从而改善在小规模数据训练下的准确度提升。