该研究提出了一种两阶段框架,解决科学论文摘要中结构信息不足的问题。通过自动识别标准化章节标题,并利用Longformer生成上下文感知摘要,实验结果表明该方法优于现有基线。
本研究探讨了扩散自编码器在图像重建中的训练质量,提出了一种新的两阶段训练方法,首先提取结构信息,然后改善细节。实验结果表明,该方法能够生成高质量图像,准确恢复高层次结构和低层次细节。
本研究提出了一种双向层次融合框架,以解决蛋白质表示学习中结构信息不足的问题。实验结果表明,该方法在多个蛋白质任务中显著优于现有技术,验证了连接序列与结构模态的有效性。
本研究提出了名为Bridge的统一框架,克服了知识图谱补全中仅依赖结构或语义信息的局限,通过编码实体和关系,整合了结构与语义信息,实验结果优于现有方法。
本文研究了智能城市发展中交通预测的关键领域,提出了时空图变换器(STGormer)以整合交通数据中的属性和结构信息。实验结果表明,STGormer在多个真实世界数据集上实现了最佳性能,提高了预测准确性。
图神经网络 (GNN) 在学习图数据的语义方面具有很强的能力。最近,一种名为 “预训练、提示” 的新范式在利用较少监督数据将 GNNs 适应各种任务方面取得了有希望的结果。我们提出了一种新颖的基于结构的 GNN 提示方法,即 SAP,它在预训练和提示调整阶段都一致地利用了结构信息。我们的实验证明了 SAP 的有效性。此外,SAP 可以在同质和异质图上的更具挑战性的小样本场景中实现更好的性能。
该研究提出了一种名为GraSAME的新颖图导向自注意机制,将结构信息无缝地融入预训练语言模型,解决了图结构与文本之间的模态差异问题。在图文生成任务中表现优于基线模型,并减少了可训练参数。
本文研究了图卷积神经网络的图压缩问题,通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息,将不同图数据集压缩成信息丰富的较小图并用于训练各种GNN体系结构。测试结果表明,在Reddit、Flickr和Citeseer上,压缩后的图的尺寸缩小了99.9%以上,同时准确率分别为95.3%、99.8%和99.0%。
本论文提出了一种新的底部向上体系结构,用于解决实例感知的人体部位解析的挑战任务。该框架利用结构信息降低人员分区的难度,并通过联合关联建模实现可微分的解决方案。该方法具有端到端的可训练性,并允许将分组误差传播到多层次的人类表征学习中。
本文于2025年10月28日更新,包含过时的结构信息。请参考后续页面以获取最新信息。
完成下面两步后,将自动完成登录并继续当前操作。