本研究提出了一种新方法GRAPHTREX，用于临床文本中的时间关系提取。该方法结合了跨度实体关系提取和异构图变换器，显著提高了时间关系提取的F1分数，为改进诊断和预后模型奠定了基础。

本研究提出了渐进式多粒度对齐框架（PromViL），旨在提升大规模视觉语言模型在处理组合概念和实体高层关系时的能力。实验结果表明，PromViL在视觉定位和组合问答任务中显著优于基线模型。

GAIN是一种双重图聚合和推理网络，用于建模文档中不同提及之间的互动，并推断实体之间的关系。在DocRED数据集上，GAIN取得了显著的性能提升。

本文介绍了一种名为KGA的知识图谱增强方法，利用Embedding方法预测实体和数字，同时考虑实体关系和文本信息。通过分箱技术将数量和年份值离散化，并融合到嵌入模型中，使得KGA能够预测静态和动态实体，并取得了比之前的基线表现更好的效果。

本文介绍了GAIN，一种用于建模文档中不同提及之间互动的双重图聚合和推理网络。通过新的路径推理机制，GAIN能够推断实体之间的关系。在DocRED数据集上的实验表明，GAIN相对于之前的技术有显著的性能提升，F1值提高了2.85个点。代码已公开。