本文提出了一种新颖的路径一致性概念，用于学习强健的物体匹配，无需使用手动物体标识监督。通过改变模型可以观察的帧的方式，即跳过观察中的帧，我们可以得到多个不同的关联结果来追踪一个物体。实验证明该方法在各种评估指标上优于现有的无监督方法，并且接近监督方法的性能水平。

FactKB是一种新的事实评估方法，使用实体知识的语言模型，解决了现有模型在新领域中的错误问题。通过测试，FactKB在两个领域的数据上达到了最先进的性能水平，并在摘要中检测错误实体和关系的能力显著提高。

本研究利用大型语言模型解决知识图的关键问题，通过将三元组视为文本序列，并引入KG-LLM框架进行建模。实验证明该方法在三元组分类和关系预测任务中达到了最先进的性能水平，微调较小的模型优于ChatGPT和GPT-4。

本研究提出了一种新的端到端网络，无需后处理，实现了显著且有效的性能水平。

本研究利用大型语言模型（LLM）解决知识图关键问题，通过将三元组视为文本序列，并引入KG-LLM框架进行建模。实验证明该方法在三元组分类和关系预测任务中达到最先进性能水平，微调较小模型优于ChatGPT和GPT-4。

视频语料库时刻检索（VCMR）是一项新的视频检索任务，旨在使用自然语言文本作为查询从大量未修剪的视频语料库中检索相关时刻。研究者提出了一种提高VCMR性能的部分相关性增强模型（PREM），通过专门的部分相关性增强策略，在视频检索和时刻定位两个子任务中取得了更好的性能。实验结果表明，该模型优于基准模型，在VCMR任务中达到了最新的性能水平。

本研究利用大型语言模型（LLM）解决知识图的关键问题，通过将三元组视为文本序列，并引入KG-LLM框架进行建模。实验证明该方法在三元组分类和关系预测任务中达到了最先进的性能水平，微调较小的模型优于最新的ChatGPT和GPT-4。

本研究利用大型语言模型（LLM）解决知识图的关键问题，通过将三元组视为文本序列，并引入KG-LLM框架进行建模。实验证明该方法在三元组分类和关系预测任务中达到了最先进的性能水平，微调较小的模型优于ChatGPT和GPT-4。

本文介绍了一种基于概率潜变量图的鲁棒性特征选择算法，能够在不同场景和难度下获得最高性能水平，并设定了一个新的最佳状态。

本文提出了AR2L框架，用于解决3D装箱问题，通过调整鲁棒性权重实现策略平衡，提升鲁棒性和性能水平。

本文介绍了ACM-Net，一种动作上下文建模网络，采用三分支注意模块来分手概率，能够胜过当前最先进的方法，甚至能够与完全监督方法达到可比较的性能水平。

该文介绍了一种弱监督方法来训练自动音频字幕生成（AAC）模型，只需要文本数据和经过预训练的对比语言音频预训练（CLAP）模型，从而减轻了对配对目标数据的需求。该方法利用 CLAP 中音频和文本嵌入之间的相似性，通过桥接差距的策略减小音频和文本嵌入之间的模态差距。在 Clotho 和 AudioCaps 数据集上评估，相对于使用配对目标数据训练的完全监督方法，该方法可达到高达 83% 的性能水平。

本研究使用KG-LLM框架对三元组进行建模，达到了最先进的性能水平。微调相对较小的模型优于最新的ChatGPT和GPT-4。