- 位错制图：具有独特指纹的位错网络的表示和无监督分类
利用 Isomap 技术揭示不同压缩轴下位阶密度场数据的位错结构的内在结构，并提供了基于密度场的独特指纹，这种新颖的无偏方法有助于位错结构的定量分类。
- mChartQA：基於視覺語言對齊和推理的跨模態圖表問答通用基準
该论文介绍了一种新颖的多模态图表问答模型，专门设计用于处理复杂的多模态任务，通过融合视觉和语言处理，克服了传统方法的局限性，采用双阶段训练方法，在处理色彩、结构和无文字图表问题方面表现出优异性能。
- 从语言学角度帮助一下：多方随意对话的主题分割
通过对话的主题结构进行分段，以便更好地理解对话的结构和组织方式。
- 自由游戏的规律性作为内在奖励
通过引入规则性作为一种新颖的奖励信号，我们在内在驱动的强化学习中提出了规则性作为主题。受到儿童发展的启示，我们假设追求结构和秩序有助于引导探索向不受基于不确定性的内在奖励青睐的任务子空间发展。我们提出的规则性作为内在奖励的广义公式，在模型驱 - 卷积神经网络中通过激活稀疏性出现的形状偏差
稀疏编码通过非可微的 Top-K 操作实施了对网络的结构编码，使得卷积神经网络中的神经元能够对物体进行部分和亚部分的平滑分解，并赋予网络形状偏差。
- 功能几何指导的蛋白质序列和骨架结构联合设计
设计合理的蛋白质序列和结构是至关重要的，我们提出了一种基于功能位点的 NAEPro 模型，该模型通过网络注意力和等变层来联合设计蛋白质序列和结构，在两个层次上进行有效而经济的信息传递，实验证明该模型能够设计出与自然蛋白质序列和结构非常相似且 - 极地鸭与寻找它们的方法：通过鸭子类型和极地盒嵌入增强实体链接
本文提出了 DUCK 方法，在实体表示的空间中注入结构信息，使用实体类型的先前知识，并将关系表示为超球上的盒子，优化模型以将相似类型的实体放置在与其关系对应的盒子中。实验结果表明，该方法在标准实体消歧基准测试上设置了新的最佳结果，提高了模型 - 知识图谱的结构与动态，附带表浅特性
研究了知识图谱的结构和动态，发现关系间的语义多样性可以用表层性概念简单建模，从而控制独立生成事实的关系重叠程度，也确定错述实体的比例，有助于更好地理解正式的知识获取和组织。
- StrAE：使用显式结构对预训练嵌入进行自编码
通过开发 StrAE —— 一个自动编码框架来探索 NLP 中显式结构对于表征学习的实用性，可以在无监督的方式下利用句子结构准确地学习多层节点嵌入，并通过一系列内在和外在任务来评估所学习的嵌入。
- 轻量级对比蛋白质结构序列变换
本文提出了一种用于蛋白质结构表示预训练的新型无监督方法，该方法利用现有的预训练语言模型通过无监督的对比对齐指导结构模型的学习，并提出了一种自监督的结构约束来进一步学习结构的内部信息。实验结果表明，该方法的性能在多个任务和特定数据集上均表现出 - 逻辑信念网络中的马尔可夫条件和因子分解
本研究探讨了逻辑可信网络的语言，并分析了各种马尔科夫条件的后果。我们引入了逻辑可信网络的结构概念，并显示没有有向循环的结构导致了一个众所周知的分解结果。对于有向循环的网络，我们分析了 Markov 条件、分解结果和规范要求之间的差异。
- MM带结构的多边际最优传输问题的多项式时间算法
本论文提出了一种通用的理论框架和算法，通过利用简单的变形来解决多边际最优输运问题（MOT）在多项式时间内，尤其是解决了当前最流行的 Sinkhorn 算法对于 MOT 求解在多项式时间内所需要的额外结构，提供了新的精确且稀疏的算法，同时对于 - MM关于异常的性质与类型：数据偏离的综述
通过大量文献综述，本研究提供了第一个理论基础和领域无关的数据异常类型学，并介绍了异常类型和子类型的详细概述。该类型学使用五个维度来具体定义异常的概念和其不同的表现形式，包括数据类型，关系基数，异常级别，数据结构和数据分布等。
- ECCV通过带有特征均衡的相互编码器 - 解码器重新思考图像修复
本研究提出了一种互联的编码器 - 解码器卷积神经网络，用于联合填补结构和纹理的空洞区域，其中使用来自编码器深层和浅层的 CNN 特征表示输入图像的结构和纹理，使用双侧传播激活函数实现空间均衡。实验结果表明，所提出的方法对于恢复结构和纹理非常 - 深度图像操作的自动编码器交换
本文介绍了 Swapping Autoencoder 用于图像操作的深度模型，该模型被设计用于控制图像的结构和纹理的交换，以实现纹理交换、局部和全局编辑以及潜在编码矢量算术等多种方式的真实输入图像操作，但与其他生成模型相比更有效，更高效。
- ICCVScoot：面部素描的感知度量
本文介绍了一种名为 “Structure Co-Occurrence Texture” 的感知度量，它同时考虑了块级空间结构和共现纹理统计信息，该方法在人脸素描合成领域中获得了良好的表现。
- ICLRKL 正则化强化学习中的信息不对称
研究如何通过限制收集到的信息，学习可重用行为作为默认策略，从而加速和规范学习过程，同时探讨了该策略与信息瓶颈方法和变分 EM 算法之间的联系，并在离散和连续动作领域提出了经验结果。
- SAGNet：用于 3D 形状建模的结构感知生成网络
SAGNet 是一种结构感知型生成模型，通过自编码器将某类物体的部件几何和部件间关系的结构特征联合学习，并在潜在空间中进行了嵌入。SAGNet 的编码器将几何和结构特征交错成单一潜在代码，而解码器可以解开特征并重构 3D 模型的几何和结构。
- 基于块协调 Frank-Wolfe 算法的 MAP 推断
本文提出一种基于 Lagrangean 松弛及 Frank-Wolfe 方法的多平面块协调策略用于在结构化能量最小化问题中求解最大后验概率（MAP）推断，并在 Markov 随机场、多标签离散层析成像和图匹配问题中的实验表明了方法优越性。
- 蛋白质模型质量评估的深度迁移学习
该研究提出了一种基于深度神经网络的蛋白质模型质量预测方法，利用少量输入特征和粗略模型描述以及数据库中已知蛋白质结构的迁移学习，达到了最先进的性能表现。