- 在线对话中分支预测
多参与者讨论倾向于以树状结构展开，预测分支并理解创建新分支的原因对于总结和线索解脱等下游任务非常重要，本文定义了分支预测的新任务，并提出了 GLOBS（全局分支评分）- 一种用于预测分支的深度神经网络模型。GLOBS 在 Reddit 的三 - 无监督通用依存树聚合的实证分析
依存解析是 NLP 中的重要任务，解析器的质量对许多下游任务至关重要。聚合方法在解决质量差异问题方面发挥着作用，但在依存解析任务中，后处理聚合方法的研究不足。通过广泛的实证研究，我们比较了不同的无监督后处理聚合方法，以找到最合适的依存树结构 - 数学方程生成的表达树解码策略
该研究论文介绍了一种从自然语言生成数学方程的方法，通过整合树结构和采用逐层并行解码策略，以及应用二分匹配算法来对齐预测结果与注释，以提高解方程的准确性和性能。
- 以 MCTS 引导遗传算法优化神经网络权重
本研究探讨了在遗传算法中应用搜索策略以探索整个基因树结构的可能性。我们尝试优化神经网络使用遗传算法，以生成最佳结果，结合了蒙特卡洛树搜索等方法。
- EMNLP更近一步：学习如何将方面与观点联系起来
本文旨在学习一种以方面为中心的树形结构来缩短方面词和对应观点词之间的距离，以此来更好地识别情感极性。在五个面向方面的情感数据集上进行实验证明，该模型显著优于最近的强基准线。此外，对标准 SemEval Restaurant14 数据集的详细 - 可更新的带精确定位的学习索引
该论文提出了一种名为 LIPP 的学习索引框架，该框架在支持多种索引操作的基础上，通过适当扩展树结构和动态调整策略来解决了先前学习索引的更新操作存在的问题，实验评估证明其优于现有解决方案。
- 树！我不是树！我是低维双曲嵌入
本文提出了一种新的通过度量方法学习超似曲嵌入的方法，使用一种名为 TreeRep 的快速算法学习一种逼近原始度量的树结构，可以用于提取分层信息以及逼近度量。实验证明，TreeRep 算法不仅比之前的算法快数个数量级，而且生成的度量失真率较低 - CVPR基于图形的三维通用物体动态分割
提出一种新颖的 3D 分割方法，针对具有频繁物体交互的通用场景中的 3D 物体分割任务，主要通过提出适用于场景点云的树形结构表示以及一种动态管理机制来实现连接组件的分裂和合并。
- ECCV从振动中看树的结构
该论文提出了一种基于振动信号频谱分析的树木结构表征方法，使用基于物理学的联系模型，并利用非参数贝叶斯推理方法从频率信号和视觉上的特征中重建出树的结构，实验表明该方法具有良好的树形结构识别性能。
- EMNLP基于检索的神经代码生成
使用基于子树检索的方法来生成程序源代码。通过动态规划的句子相似性评分方法检索与输入句子相似的句子，提取建立相应抽象语法树的动作序列的 n-gram，并增加导致检索到的 n-gram 动作子树出现在预测代码中的动作的概率。在两个代码生成任务中 - ICLR变分自编码器中学习潜在超结构用于深层多维聚类
我们研究了一种变分自编码器的变体，其中顶层离散的潜变量是一个超结构。我们的超结构是多个超级潜变量的树结构，并且可以自动从数据中学习。与以往的深度学习方法不同，LTVAE 可以生成多个数据分区，每个分区都由一个超级潜变量给出。这是由于高维数据 - 一种用树结构建模和传播卷积神经网络的视觉跟踪方法
本文提出了一种在线视觉跟踪算法，使用卷积神经网络来表示目标外观，并通过在树形结构中管理多个目标外观模型来实现目标跟踪。通过在树的不同分支中维护多个卷积神经网络，可以方便地处理目标外观的多样性，并通过沿树路径进行平滑更新来保持模型的可靠性。最 - 通过 CNN Tree 学习大规模分类的细粒度特征
本文提出了一种新颖的方法来增强卷积神经网络（CNN）的可辨别性，通过建立一个树状结构来逐步学习精细的特征，以区分一部分类别。我们开发了一种新算法，有效地从大量类别中学习树结构。实验表明，我们的方法可以提高给定基本 CNN 模型的性能，且具有 - 使用层次合并树进行图像分割
本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法，实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度，在没有语义先验的图像分割中具有很强的竞争力。
- 条件概率树的估计分析与算法
本研究考虑在 O (log n) 时间内估计标签的条件概率。通过将此问题归约为树状结构中的一组二分类回归问题，分析了与树的深度成比例的代价上限，并提出了第一个可证明构建标签的对数深度树来解决此问题的在线算法，经实验证明适用于约 106 个标 - 广义 Robinson-Foulds 度量
该研究提出了 RF 指标一种自然的扩展方式，该指标不仅考虑相同的分类单元，还考虑相似的分类单元，并且需要保持树的结构，用一个简单的整数线性规划来计算广义 RF 指标，发现与不保持树结构的匹配方式有显着不同。
- 多个决策树
本文研究使用多棵决策树对预测结果进行平均，比使用单棵决策树更能提高预测准确性。作者利用修改版的 ID3 算法选出优秀的决策树进行平均，证明了结构不同的决策树集合进行平均比单棵决策树更优，提高了预测性能。
- 多元潜变树结构的频谱方法学习
该研究考虑了多元线性树模型的结构学习问题，引入了一种基于谱递归分组算法的底层向上过程以从观察到的变量的独立样本中恢复树结构，并给出了确切恢复树结构的有限样本大小界限，这些界限基于潜在联合分布的统计和结构属性，并且样本复杂度保证不依赖于观察变