今天也是菜醒的一天-CSDN博客

原创【论文分享】通过关系图上的贝叶斯元学习进行小样本关系提取

Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs

2022-05-13 18:55:44 633

原创【Place2Vec】从ITDL到Place2Vec--通过从增强的空间背景中学习嵌入来推理地方类型的相似性和关联性

Place2Vec——地理人工智能交叉

2022-04-26 16:39:07 1704

原创【地理人工智能交叉】通过整合兴趣点和Word2Vec模型感知城市土地利用的空间分布

POI2Vec，结合word2vec的思想进行土地使用类型辨认。

2022-04-21 16:51:34 3190 4

原创【论文分享】通过图神经网络明确捕捉实体提及的关系，用于特定领域的命名实体识别

作者在全局核心推理关系和局部依赖关系的基础上明确连接实体提及，以建立更好的实体提及表示。

2022-03-14 18:27:24 2820

原创【论文分享】用于中文零代词解析的带有配对损失的分层注意力网络

【AAAI 2020】Hierarchical Attention Network with Pairwise Loss for Chinese Zero Pronoun Resolution论文地址：https://ojs.aaai.org//index.php/AAAI/article/view/6352摘要最近的神经网络方法在解决汉语零代词问题时，没有考虑零代词和候选先行词之间的双向注意，而是简单地将该任务作为

2021-12-13 19:48:25 612

原创【题解】北化2021年“蓝桥杯”研究生组校内选拔训练赛三

A 分数拆分题目大意输入多组正整数k，找到所有的正整数x>=y，使得1/k=1/x+1/y，并按照x从大到小的顺序输出所有成立的分数式。解题思路由于 kkk 的范围 1≤k≤1000001≤k≤1000001≤k≤100000，如果直接循环 [1,1e5][1, 1e^5][1,1e5] 遍历寻找符合条件的 xxx, yyy

2021-11-20 15:30:04 738 2

原创【论文分享】Spatial-Temporal Transformer Networks for Traffic Flow Forecasting

摘要交通预测已经成为智能交通系统的一个核心组成部分。然而，由于交通流的高度非线性和动态时空依赖性，及时准确的交通预测，特别是长期预测，仍然是一个公开的挑战。在本文中，我们提出了一种新的时空Transformer网络（STTNs），它联合利用动态的定向空间依赖和长距离的时间依赖来提高长期交通流预测的准确性。我们提出了一种新的图神经网络变体，名为空间Transformer，以动态的方式建立具有自注意力机制的有向空间依赖关系模型

2021-11-15 22:23:38 6998 11

原创【ECCV2020】Spatio-Temporal Graph Transformer Networks for Pedestrian Trajectory Prediction

【ECCV2020】用于行人轨迹预测的时空图变换器网络摘要了解人群运动动力学对于现实世界的应用至关重要，例如监控系统和自动驾驶。这是具有挑战性的，因为它需要对具有社会意识的人群空间交互和复杂的时间依赖性进行有效建模。我们认为注意力是轨迹预测的最重要因素。在本文中，我们提出了 STAR，这是一个时空图 tRans-former 框架，它仅通过注意机制来处理轨迹预测。 STAR 通过 TGConv 对图内人群交互进行建模，

2021-10-21 23:34:38 2814 3

原创【论文分享】BERTifying the Hidden Markov Model for Multi-Source Weakly Supervised Named Entity Recognition

BERTifying 多源弱监督命名实体识别的隐马尔可夫模型摘要我们研究了使用来自多个弱监督源的嘈杂标签来学习命名实体识别 (NER) 标记器的问题。尽管获取成本低，但来自弱监督来源的标签往往不完整、不准确且相互矛盾，这使得学习准确的 NER 模型变得困难。为了应对这一挑战，我们提出了一种条件隐马尔可夫模型（CHMM），它可以以无监督的方式有效地从多源噪声标签中推断出真实标签。 CHMM 利用预训练语言模型的上下文表

2021-09-24 19:54:10 584

原创【论文分享】Learning Graphs for Knowledge Transfer with Limited Labels

有限标签知识转移的学习图摘要固定输入图是利用图卷积网络 (GCN) 进行知识转移的方法的支柱。标准范式是利用输入图中的关系，使用 GCN 将信息从图中的训练节点转移到测试节点；例如，半监督、零样本和少样本学习设置。我们提出了一个通用框架，用于学习和改进输入图，作为基于 GCN 的标准学习设置的一部分。此外，我们通过在中间层输出上应用三元组损失，为图中的每个节点使用相似和不同邻居之间的额外约束。我们在 Citeseer、C

2021-09-15 19:29:31 501

原创【论文分享】End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF

ACL2016 《通过双向 LSTM-CNNs-CRF 的端到端序列标记》摘要最先进的序列标记系统传统上需要大量手工制作特征和数据预处理形式的特定于任务的知识。在本文中，我们介绍了一种新颖的中性网络架构，该架构通过使用双向 LSTM、CNN 和 CRF 的组合，自动受益于词级和字符级表示。我们的系统是真正的端到端，不需要特征工程或数据预处理，因此适用于广泛的序列标记任务。我们针对两个序列标记任务在两个数据集上评估我

2021-08-31 16:34:38 794

原创【论文分享】MAD-GAN ：基于生成对抗网络的时间序列数据多元异常检测

2019年ICANN文章无监督学习摘要网络化传感器和执行器在许多现实系统中的普及，例如智能系统建筑物、工厂、发电厂和数据中心为这些系统生成大量的多元时间序列数据。许多这样的网络物理系统（cps）是为关键任务而设计的，因此是网络攻击的目标。丰富的传感器数据可以通过异常检测持续监控入侵事件。然而，由于这些系统的动态复杂性，传统的基于阈值的异常检测方法是不够的，而有监督的机器学习方法由于缺乏标记数据而无法利用

2021-07-23 14:46:10 11570 42

原创【论文分享】GeoGAN：从卫星图像中生成地图的标准层

GeoGAN: A Conditional GAN with Reconstruction and Style Loss to Generate Standard Layer of Maps from Satellite Images论文翻译

2021-07-22 15:24:41 1615 2

原创【2018CVPR】Image Generation from Scene Graphs论文分享

现有的根据文本生成图像的方法难以生成语言描述中包含多个对象以及对象之间关系的图。于是，作者提出了用图卷积处理输入图像，根据bounding box等计算场景布局，然后用级联细化网络和对抗生成网络把布局转换成图。

2021-07-21 09:20:44 436

zn0412的博客