- GraphER: 一种结构感知的文本到图模型,用于实体和关系抽取
该研究论文提出了一种新颖的方法,将信息提取任务转化为图结构学习,通过动态细化和优化图结构来增强模型在实体和关系预测方面的能力,相比于以前的模型,该方法允许更好的交互和结构驱动决策,同时在联合实体和关系提取基准测试上与最先进的基准模型相比获得 - 多域推荐中的嵌入解缠和域对齐
多领域推荐(MDR)旨在为具有重叠用户 / 项目的不同领域(例如产品类型)提供建议,并且在托管多个服务的平台(例如 Amazon,Facebook 和 LinkedIn)上很常见。我们提出了一种名为 EDDA 的新 MDR 方法,具有嵌入解 - KDD实体链接的多粒度多模态交互网络
本文提出了一种名为多维多模态交互网络(MIMIC)的框架,用于解决多模态实体链接(MEL)任务,并通过对相互作用单元和对比学习的设计,将简洁文本和隐含视觉线索的精细表示结合起来,实现了更好的性能,超过了各种最先进的基准模型。
- 增强弱监督分割的高保真伪标签
该论文提出了一种基于图片分类网络和概率解释 CAM 的图像级弱监督语义分割方法来改善先前弱监督下模型的性能,通过提高区域相似性和轮廓质量来增强几乎任何以前的 WSSS 方法,并在 PASCAL VOC 数据集上进行了演示。
- VCSE: 时域视觉语境说话人提取网络
本文提出了一种包含视觉和自我学习语境线索的两阶段时域视觉 —— 语境扬声器提取网络 VCSE, 在 LRS3 数据库上表现比其他最先进的基线一致优秀
- CVPR流形学习对 GAN 的优势
本文在生成对抗网络中引入流形学习方法来打磨辨别器,考虑局部约束线性和基于子空间的流形以及局部约束的非线性流形,利用流形学习和编码的设计将中间特征表示映射到流形上,并通过协调特征表示和流形视图之间的差异性,实现去噪和流形精细化的两难平衡,并在 - Sharp U-Net: 用于生物医学图像分割的深度可分离卷积网络
本研究提出了一种名为 Sharp U-Net 的深度卷积神经网络模型,它采用深度卷积和锐化滤波器来解决 U-Net 的模糊和区域过度或不足的问题,在二元和多类医学图像分割任务中,使用该模型获得了超过同领域基线模型的性能表现。
- EMNLP基于差异性的知识选择在知识驱动对话生成中的应用
该论文提出了一种差异感知的知识选择方法,通过将候选知识句子与前几轮选择的知识句子之间的差异信息与上下文信息相融合或分离,从而实现更加准确的知识选择,大幅度优于现有技术基线。
- 基于层级自注意力模型的用户生成项目列表推荐
本文提出了一种新的用户生成的列表建议模型 AttList,通过对层次化用户偏好以及项目和列表一致性的建模,该模型在三个真实数据集上都实现了比基线方法更好的推荐效果。
- WSDMDDTCDR:深度双重转移跨领域推荐
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型,该模型在电影、图书和音乐三个领域的数据集上经过充分测试,表现优于其他传统模型。
- EMNLP基于蕴含方法的零样本文本分类基准评估与数据集
该论文提出用一个文本蕴涵公式来研究不同方面的零样本文本分类问题,并提供了统一的数据集、标准化的评估和最先进的基线模型。
- AAAISSP: 基于文本描述的知识图谱嵌入的语义空间投影
本篇论文提出了一种语义表示方法(KSR)来处理知识图谱中的符号实体和关系。该方法采用两级分层生成过程来提取语义有效的方面和类别,从而优于其他现有基准模型。