- 时态知识图谱问答：综述
本文从两个角度，即时间问题的分类和基于语义解析和知识图嵌入的方法论分类，对时间知识图问答（TKGQA）进行了全面概述，为该领域的发展提供了参考，并激发了进一步研究的动力。
- 常见在线说话者对话方法综述
在线说话者辨识提供了 “谁何时说话” 的答案，可用于完成音频转录和后续处理步骤；本文概述了在线说话者辨识的历史、训练与评估数据集，详细讨论了在线辨识方法与系统，并提出了该领域需要未来研究解决的挑战。
- 高阶图神经网络揭秘
高阶图神经网络（HOGNNs）是一类重要的 GNN 模型，能够利用顶点之间的多系关系来解决过度平滑或过度压缩等问题，显著提高 GNN 预测准确性，改进 GNN 架构，并能帮助选择最适合特定场景的 GNN 模型，提出了具有挑战与机遇的 HOG - 大型语言模型是否能取代分类法？
大型语言模型（LLM）在一般知识上表现出色，但在细致的长尾知识上表现不佳，该研究问传统的知识图谱是否应该被 LLMs 取代，通过构建名为 TaxoGlimpse 的新型基准对 LLMs 在各种领域的不同层级的专业知识和叶级实体的性能进行评估 - 实体和事件级概念化在可推广推理中的作用：任务、方法、应用及未来方向综述
本研究综述了 150 + 篇论文，对概念化的定义、执行、应用以及相关的资源方法和下游应用进行了综合分类，特别关注实体和事件层面，在此基础上，我们揭示了该领域的未来发展方向，并希望得到社区更多的关注。
- 大型语言模型作为软件组件：LLM 集成应用的分类方法
大型语言模型与应用集成研究的分类体系和 LLM 组件的描述，以及它们在软件系统建设方面的潜力。
- 毒性模因：关于检测和解释模因毒性的计算视角调查
通过系统的调查与综述，我们填补了对有毒模因的内容分析的备受争议的术语和未探索趋势的先前相关研究的空白。我们对 118 篇新论文进行了调查，分析了 158 项内容为基础的有毒模因分析工作。我们提出了对模因有毒性类型进行分类的新分类法，并鉴别了 - 机器学习中的长期公平性调查和追求：定义、方法和挑战的综述
通过研究现有文献，本调查从不同角度回顾了长期公平性的研究，并提出了一个分类法。我们突出了一些关键挑战，考虑了未来的研究方向，分析了现有的问题和潜在的深入探索。
- 税收是您所需的一切：将分类层次关系集成到对比损失中
我们提出了一种新型的监督对比损失函数，在表示学习过程中引入了分类树结构信息。该损失函数通过强制要求具有相同类标签（正样本）的图像在投影空间中比具有不同类标签（负样本）的图像更接近彼此来实现。该方法的优势在于它直接惩罚表示空间的结构，这使得在 - 构建公平数据集的挑战分类
通过与 30 名机器学习数据集策展人的访谈，我们提出了一套全面的数据集策划生命周期中遇到的挑战和权衡的分类法。我们的研究结果突显了整体公平性景观中影响数据策展的普遍问题。最后，我们提出了旨在促进系统性变革以更好地推动公平数据集策划实践的建议 - 复杂时间问题回答的大规模数据集：ComplexTempQA
我们介绍了 ComplexTempQA，这是一个大规模数据集，包含超过 1 亿个问题 - 答案对，旨在解决时间问题回答中的挑战。ComplexTempQA 在规模和范围上明显超越了现有的基准，如 HOTPOTQA、TORQUE 和 TEQU - 提示报告：提示技巧的系统调查
通过建立提示的结构化理解，本文通过整理提示技术的分类法和分析其使用，提供了 33 个词汇术语、58 种文本提示技术以及 40 种其他模态的技术，还对自然语言前缀提示的整个文献进行了元分析。
- 文化意识和适应性自然语言处理：分类与现状调研
文化感知，适应性自然语言处理，文化元素分类，调查资源与模型，研究进展与研究空白。
- 神经组合优化算法用于解决车辆路径问题：综述与展望
基于对相关出版物和预印本的全面审查，我们将所有神经组合优化求解器分为四个不同的类别，并提出了克服当前最先进求解器不足之处的有希望和可行的方向，并对来自强化、监督和无监督学习范例的代表性神经组合优化求解器在小规模和大规模车辆路径问题上的性能进 - 局部异常点检测的基于邻居的方法比较研究
对离群点检测中的邻居方法及其组成部分进行了研究，引入了一个分类法，使用信息、邻居和方法学作为三个层面来定义混合方法，通过合并该分类法的不同组成部分，可以提出新的基于邻居的离群点检测方法，实验结果表明，基于逆 K 最近邻方法在高维空间中具有良 - 基于基石语言模型的持续学习的最新进展：综述
最近，基础语言模型（LMs）在自然语言处理（NLP）和计算机视觉（CV）领域取得了重要的成就。然而，由于灾难性遗忘的原因，它们仍然无法模拟类似人类的连续学习。为了解决这个问题，已经开发了各种基于连续学习（CL）的方法来改进 LMs，并使其能 - 大型语言模型遇上自然语言处理：一项调研
大语言模型在自然语言处理任务中的应用及未来发展潜力的研究，包括 LLMs 的当前进展，应用领域的分类，新研究前沿以及相关挑战。
- 利用大型语言模型和新的法律分类体系对案例法进行主题建模：人工智能对判决摘要的洞察
通过开发和应用新的法律分析分类法，本文对英国的判决摘要案例进行主题建模。研究发现法律大数据模型在正确分类主题上的准确率为 87.10%。该分析揭示了在不同法律领域中适用判决摘要的独特模式，为英国法律提供了一种新的分类法。这项工作的意义在于为 - ACLCLAMBER: 在大型语言模型中识别和澄清模糊信息需求的基准
通过引入 CLAMBER，本研究构建了一个评估大型语言模型（LLMs）的基准，发现当前 LLMs 在识别和澄清用户不确定查询方面的实用性有限，同时提出进一步研究如何提高 LLMs 的质量，解决冲突并增加可信度的指导。
- 常见采购词汇分类的零样本层次分类
使用零样本研究方法，基于预训练的语言模型和标签分类法，对公共招标进行分类，并且在低频类别分类表现上优于三个不同的基线模型，并能够预测未见过的类别。