本文介绍了一种新的深度进化知识网络，能够学习非线性演变的实体表示，并通过评分建模事实的发生。该方法在大规模数据集上表现出显著性能改进，并能有效预测事实的发生时间。

DragAnything是一种利用实体表示来实现对可控视频生成中的任何对象的运动控制的方法。与现有方法相比，DragAnything具有易于用户交互、不需要其他指导信号的工作字眼以及能够同时对多个对象进行不同的运动控制等优势。实验证明，DragAnything在性能方面表现出色，尤其在对象运动控制方面。

提出了一种名为RepSGG的新型架构，用于生成场景图。通过将实体表示为查询，目标表示为键，并使用最大注意力权重表示它们之间的关系，实现了更细粒度和灵活的特征表达。通过在训练期间进行仿射变换，对关系的逻辑进行修改，以提高性能平衡。实验结果表明，RepSGG在Visual Genome和Open Images V6数据集上具有先进或可比较的性能，并具有快速推理速度。

本文提出了一种新颖的深度进化知识网络，用于学习非线性演变的实体表示，并通过多元点过程和基于学习实体嵌入的评分来建模事实的发生。该方法在大规模数据集上比其他关系学习方法表现更好，并能有效预测事实的发生时间。

通过多任务预训练的多任务语义分解框架，加强预训练语言模型中的实体表示。实验证明该方法在两个少样本命名实体识别基准测试中优于强基线模型，并验证了其有效性和泛化能力。