AAAI2024 | 分享10篇优秀论文，涉及图神经网络、大模型优化、表格分析等热门话题

已于 2024-05-21 10:19:20 修改
阅读量1.1k 收藏 2
点赞数
文章标签： 神经网络 人工智能 深度学习
于 2024-04-24 21:20:22 首次发布
原文链接：https://mp.weixin.qq.com/s/F7X8N_wUyZQNhDtIfHm17Q
版权

引言

今天给大家分享十篇AAAI2024论文，主要涉及图神经网络，大模型幻觉、中文书法文字生成、表格数据分析、KGs错误检测、多模态Prompt、思维图生成等。 

AAAI是由国际人工智能促进协会主办的年会，是人工智能领域中历史最悠久、涵盖内容最广泛的国际顶级学术会议之一，也是中国计算机学会（CCF）推荐的A类国际学术会议。

图神经网络微调

图片

https://arxiv.org/pdf/2312.13583.pdf

本文研究解决预训练和微调图神经网络在图挖掘任务中的结构一致性问题。作者发现预训练图与微调图之间的结构差异主要源于生成模式的不一致。为此，本文作者提出了G-TUNING方法，通过调整预训练图神经网络，有效地保持了微调图的生成模式。

图片

通过理论分析证明了存在一组替代图谱基，利用它们的线性组合可以高效地近似微调图的生成模式。在迁移学习实验中，与现有算法相比，G-TUNING在领域内和领域外分别提升了0.5%和2.6%

中文书法字体生成

图片

https://arxiv.org/pdf/2312.10314.pdf

本文研究主要针对少样本中文书法字体生成的问题。本文提出了一种新颖的模型，DeepCalliFont，通过集成双模生成模型实现少样本中文书法字体合成。

图片

具体而言，该模型包括图像合成和序列生成两个分支，通过双模态表示学习策略生成一致的结果。两种模态（即字形图像和书写序列）通过特征重组模块和光栅化损失函数进行合理集成。此外，采用新的预训练策略，通过利用大量的单模态数据来提高性能。定性和定量实验证明了本文方法在少样本中文书法字体生成任务上优于其他最先进的方法。

RAG减少LLM幻觉研究

图片

https://arxiv.org/pdf/2309.01431.pdf

本文研究主要针对检索增强生成（RAG）在缓解大型语言模型（LLMs）产生幻觉方面的问题。现有研究缺乏对检索增强生成对不同大型语言模型的影响进行严格评估，这使得难以确定RAG在不同LLMs能力中的潜在瓶颈。本文系统地调查了检索增强生成对大型语言模型的影响。

图片

本文分析了不同大型语言模型在RAG所需的4个基本能力方面的性能，包括噪声鲁棒性、负例拒绝、信息整合和反事实鲁棒性。为此，本文建立了检索增强生成基准（RGB），这是一个用于在英语和中文中评估RAG的新语料库。RGB根据解决案例所需的上述基本能力将基准中的实例划分为4个独立的测试集。然后，我们在RGB上评估了6个代表性的LLMs，以诊断当前LLMs在应用RAG时的挑战。评估表明，虽然LLMs在一定程度上具有噪声鲁棒性，但在负例拒绝、信息整合和处理虚假信息方面仍然存在显著困难。结果表明，在将RAG有效应用于LLMs方面仍有相当的挑战。

表格数据分析

图片

https://arxiv.org/pdf/2312.13671.pdf

本文研究主要针对表格数据分析领域存在的问题，当前研究主要集中在Text2SQL和TableQA等基础任务，忽略了像预测和图表生成这样的高级分析。

图片

为填补这一空白，本文提出了Text2Analysis基准，涵盖了超越SQL兼容操作的高级分析任务。本文还开发了五种创新有效的注释方法，充分利用大型语言模型的能力，提高数据的质量和数量。此外引入了类似真实用户问题的不确定查询，测试模型对此类挑战的理解和解决能力。

最终，本文收集了2249个查询-结果对和347个表格，使用三种不同的评估指标对五个最先进的模型进行评估，结果显示本文的基准在表格数据分析领域提出了相当大的挑战。

零样本认知诊断

图片

https://arxiv.org/pdf/2312.13434.pdf

本文研究主要针对领域级零样本认知诊断（DZCD），该问题源于新启动领域中缺乏学生练习日志。近期的跨领域诊断模型被证明是解决DZCD的一种策略，但这些方法主要关注如何在领域之间转移学生状态。然而，它们可能会无意中将不可转移的信息纳入学生表示中，从而限制知识转移的效果。

图片

为了解决这个问题，本文提出了Zero-1-to-3，通过早期学生实现领域共享认知信号传递和虚拟数据生成，有效处理新领域中缺乏学生练习日志的情况。共享的认知信号可以传递到目标领域，丰富新领域的认知先验，确保认知状态传播的目标。在六个真实世界数据集上的广泛实验证明了本文模型在DZCD及其在问题推荐中的实际应用方面的有效性。

动态网络方法

图片

https://arxiv.org/pdf/2312.13068.pdf

本文研究主要针对动态网络方法在处理时间上连续变化的网络时存在的局限性。本文提出了一种基于生存函数的新型随机过程，用于建模链接在时间上的持续和缺失。这形成了一种通用的新似然规范，明确考虑了间歇性的边持续网络，即GRASP：Graph Representation with Sequential Survival Process。

本文将该框架应用于最近的连续时间动态潜在距离模型，以节点在潜在空间中的分段线性移动序列来刻画网络动态。本文在诸如链接预测和网络完成等各种下游任务中进行了定量评估，结果表明本文的建模框架能够有效跟踪潜在空间中节点的内在轨迹，捕捉不断演变的网络结构的基本特征。

KGs错误检测

图片

https://arxiv.org/pdf/2312.12108.pdf

本文研究主要针对知识图谱（KGs）中存在的各种错误问题。本文提出了一种KG错误检测模型CCA，通过三元组重建整合文本和图结构信息，更好地区分语义。

图片

本文采用交互对比学习捕捉文本和结构模式之间的差异。此外，本文构建了包含语义相似噪声和对抗性噪声的真实数据集。实验结果表明，CCA在检测语义相似噪声和对抗性噪声方面优于最先进的基线方法。

思维图生成

图片

https://arxiv.org/pdf/2312.11997.pdf

本文研究主要针对思维图生成中存在的问题，即现有方法虽然能够并行生成思维图，但主要侧重于顺序特征，难以捕捉结构信息，尤其在建模长程语义关系方面存在困难。

图片

本文提出了一种基于指代的思维图生成网络（CMGN），以引入外部结构知识。具体而言，本文基于指代语义关系构建指代图，引入图结构信息。然后，采用指代图编码器挖掘句子之间的潜在关系。

为了排除噪声并更好地利用指代图的信息，本文采用对比学习方式中的图增强模块。实验结果表明，本文模型优于所有现有方法。案例研究进一步证明，本文模型能够更准确、简洁地揭示文档的结构和语义。

多模态对齐Prompt

图片

https://arxiv.org/pdf/2312.08636.pdf

本文研究主要针对多任务学习中解码器随任务增加而复杂的问题。本文提出了一种集成无解码器的视觉-语言模型CLIP的方法，该模型表现出强大的零样本泛化能力。

图片

本文首先提出了多模态对齐提示（MmAP）方法，用于在微调过程中对齐文本和视觉模态。在MmAP的基础上，本文开发了一种创新的多任务提示学习框架。一方面，为了最大化相似任务的互补性；另一方面，为了保留每个任务的独特特征，为每个任务分配一个特定的MmAP。

在两个大型多任务学习数据集上的综合实验证明，本文方法相较于完全微调实现了显著的性能提升，同时仅利用约0.09%的可训练参数。

多模型标签对齐

图片

https://arxiv.org/pdf/2312.08212.pdf

本文研究主要针对在视觉-语言（VL）领域中，将预训练模型成功迁移到下游任务的问题。先前的方法主要集中于构建文本和视觉输入的提示模板，忽略了VL模型和下游任务之间类别标签表示的差距。

图片

为解决这一挑战，本文引入了一种名为LAMM的创新标签对齐方法，通过端到端训练动态调整下游数据集的类别嵌入。此外，为了获得更合适的标签分布，本文提出了一个分层损失，包括参数空间、特征空间和logits空间的对齐。我们在11个下游视觉数据集上进行了实验证明，本文方法在少样本场景中显著提高了现有多模态提示学习模型的性能，相较于16张图像的最先进方法，平均准确率提升了2.31%。

AAAI 2024优秀论文汇总！包含图神经网络、多模态、时间序列等热门方向
2401_82426425的博客
01-25 2382
本文提出了一种用于弱监督视频异常检测的新方法VadCLIP，它利用冻结的CLIP模型，无需预训练和微调。本文提出了NeuNet，一个结合神经元形态和拓扑信息的框架，它由骨架编码器、连接组编码器和读出层组成，骨架编码器通过一维卷积处理神经骨架点数据，连接组编码器使用图神经网络捕获神经回路拓扑信息，读出层融合上述信息并输出分类结果。通过利用图子基的线性组合，有效地近似了图的生成模式，从而提高了模型在迁移学习实验中的性能，与现有算法相比，G-Tuning在域内和域外迁移学习实验中分别平均改进0.5%和2.6%。
AAAI 2024录用论文合集，包含图神经网络、时间序列、多模态、异常检测等热门研究方向
学姐带你玩AI的博客
12-25 7953
AAAI是国际顶级人工智能学术会议，属于CCF A类，在人工智能领域享有盛誉。今年的AAAI 会议投稿量突破了历史记录，共有12100篇投稿（主赛道），最终录用2342篇，录用率为23.75%。对比前几年有了很大的提升：本次AAAI 2024会议将于2024年2月20日至27日在加拿大温哥华会议中心举行。大家可以期待下~
【TPAMI 2024】残差神经网络中的扩散机制：理论与应用
最新发布
09-12 714
扩散是一种在许多物理过程中出现的基本内部机制，描述了不同对象之间的相互作用。在许多训练样本受限的学习任务中，扩散将标记和未标记的数据点连接起来，是实现高分类精度的关键组成部分。许多现有的深度学习方法在训练神经网络时直接施加融合损失。在这项工作中，受对流-扩散常微分方程（ODEs）的启发，我们提出了一种新颖的扩散残差网络（Diff-ResNet），将扩散内部引入到神经网络的架构中。在结构化数据的假设下，证明了所提出的扩散块可以增加距离直径比，这提高了类间点的可分性，并减少了局部类内点之间的距离。
【论文笔记】AAAI2022多智能体强化学习论文五篇
Xixoqw的博客
03-17 6062
修改自我的组会报告ppt。 文章目录引子Anytime Multi-Agent Path Finding via Machine Learning-Guided Large Neighborhood SearchMAPF-LNS2: Fast Repairing for Multi-Agent Path Finding via Large Neighborhood SearchScenic4RL: Programmatic Modeling and Generation of Real-time Strat
AAAI2024 | 论文接受列表，含全部论文下载（持续更新......）
热门推荐
yinizhilianlove的博客
12-22 1万+
AAAI2024 接收论文下载
多阶段任务自然语言指令执行方法GOALNET
python_plus的博客
06-05 758
AAAI2024论文《GOALNET: Interleaving Neural Goal Predicate Inference with Classical Planning for Generalization in Robot Instruction Following》
【论文分享】2024AAAI顶会论文分享---Multilevel Semantic Embedding of Software Patches: A Fine-to-Coarse Grained A
gezigezao的博客
11-01 474
与之前的工作不同，MiDas 为每个级别的代码更改粒度构建了不同的神经网络，对应于提交级别、文件级别、块级别和行级别，遵循其自然组织。此外，就 EffortCost@L 和 Popt@L 这两个工作量感知指标而言，MiDas 的性能也优于最先进的基线，在 Java 上分别实现了高达 28.2% 和 15.9% 的改进，在 Java 上分别实现了 60% 和 51.4% 的改进。首先，将代码更改分解为不同的粒度级别，使得 MiDas 可以为每个级别使用适当的提取器，如第4.3.2节所讨论的。
顶会新方向！14篇图神经网络（GNN）最新顶会论文汇总！（含2024）
2401_82426425的博客
01-16 6154
研究人员开发了两个关键模块：局部子结构编码（LSE）和帧转换编码（FTE），用于设计表现力强、高效的几何GNN，并基于这些模块构建了LEFTNet，在分子性质预测任务上获得了领先的性能，同时为等变GNN的未来设计提供了方向。本文分析了GNN对抗性扰动的影响，包括节点特征和图结构的干扰，并研究了它们与不同稳定性概念的关系。图神经网络（GNN）是深度学习领域中备受关注的前沿课题，它在处理图结构数据方面展现出了强大的潜力，随着研究的不断深入，越来越多的优秀论文在顶级学术会议上涌现。
AAAI‘2024时间序列论文汇总！预测、分类、异常检测和因果发现的最新进展
2401_82426425的博客
01-12 2228
在数据科学领域，时间序列分析一直是研究的热点和难点。随着大数据时代的到来，时间序列数据在各个领域的应用越来越广泛，如金融、气象、健康等。因此，对时间序列的研究具有重要的理论和实践意义。 今天就将AAAI'2024会议收录的时间序列论文进行了汇总，涵盖预测、分类、异常检测与因果发现多个方向，大家可以看一看该领域的研究进展和最新成果。 1、MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Seri
AAAI2020|深度学习在表格分析中的应用
hestendelin的专栏
05-18 994
Table2Analysis: Modeling and Recommendation of Common Analysis Patterns for Multi-Dimensional...
图神经网络阅读(二十二)Rethinking Graph Regularization for Graph Neural Networks，AAAI2021
qq_36618444的博客
02-05 1183
本文的作者来自香港中文大学。 本文证明了图拉普拉斯正则化对现有GNN的好处很少甚至没有，并提出了一种简单但图拉普拉斯正则化变体，称为传播正则化(P-reg)，以提高现有GNN模型的性能。本文的模型十分简单，就是公式定理比较复杂，GNN的相关背景略。 Propagation-Regularization（P-Reg） 首先，模型对图输入使用两层GCN（表示成f1f_1f1​）的到输出Z∈RN×CZ∈R^{N×C}Z∈RN×C。之后对ZZZ继续进行操作得到Z′=A^ZZ'=\hat{A}ZZ′=A^Z，本质上
人工智能领域顶会AAAI 2018 论文列表
01-09
人工智能领域顶会AAAI 2018 论文列表, AAAI 是由人工智能促进协会每年举行的学术会议，是研究人员和科学家展示他们在人工智能领域的研究和新思考的平台.
[论文解读]All in one：: Multi-Task Prompting for Graph Neural Networks图神经网络的多任务提示
人工智能曾小健
02-26 1383
这个函数可能是对提示图参数进行操作的某种计算，比如根据这些参数生成新的节点表示，或者更新模型的状态以适应新任务。在不同的上下文中，函数 f(θ) 可以有不同的具体含义，它通常会涉及到如何使用这些参数来影响模型的行为或其对数据的处理方式。不过，由于我无法直接查看PDF文件的内容，所以这里的解释是基于常见的机器学习和深度学习术语的一般性解释。提示图是一种用于调整预训练模型以适应特定任务的结构，这些参数可能包括用于构造提示的节点和边的权重，或者其他用于定义提示图结构的属性。与原始图 G 结合后的新表达式。
WWW2019|图神经网络在社交推荐中的应用
hestendelin的专栏
07-13 2665
Graph Neural Networks for Social RecommendationWenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao...
深度相似性引导的图神经网络在人员重新识别任务中的应用
人员重新识别深度相似性引导的图神经网络沈艳涛1[0000−0001−5413−2445]、李洪生1 [0000−0002−2664−7975]、帅毅2、陈大鹏1[0000−0003−2490−1703]、王晓刚11香港中文大学-商汤科技联合实验室{ytshen，hsli，...
AAAI 2024 | 腾讯优图实验室27篇论文入选！异常检测、多模态、医学图像分割等方向...
阿木寺的博客
12-28 3166
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【视觉和Transformer】微信交流群扫码加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，以及最前沿项目和应用！发论文搞科研，强烈推荐！转载自：腾讯优图实验室AAAI 2024 (AAAI Conference on Artificial Intelligence)人工智...
最新最全论文合集——AAAI 历年最佳论文汇总
AI_Conf的博客
01-26 1983
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
论文分享|AAAI2024‘北航|软标签监督实现通用密集检索——图文检索中的跨模态和单模态软标签对齐
weixin_45783724的博客
07-17 1167
近年来，目前的图像-文本检索方法取得了惊人的性能。模态间匹配缺失问题和模态内语义丢失问题。这些问题会显著影响图像-文本检索的准确性。为了解决这些挑战，我们提出了一种新的方法，称为跨模态和单模态软标签对齐（CUSA）。我们的方法利用单模态预训练模型的力量，为图像-文本检索模型提供软标签监督信号。利用这些信号，本文提出了两种对齐技术，跨模态软标签对齐（CSA）和单模态软标签对齐（USA），以减轻假负例问题，并增强单模态样本之间的相似性识别。我们的方法被设计为即插即用模块。
AAAI论文阅读
Hekena的博客
08-08 1778
报告句子含糊不清的原因是：（1）医学术语的含义与日常一般用法不同，如unsmarkable；最近的一项研究表明，经过大规模预训练的 LM 在复杂语境（如对话）下仍难以进行这种时间推理，因为它们只能隐式地编码相关语境，而不能显式地揭示复杂推理的基本逻辑组合。我们采用多角度训练方法，为文本简化添加了两种可控性：位置感知（使用原位注释输入和输出）和位置无关（模型只知道要编辑的内容，但不知道它们的位置）。然后，通过扰动模型的隐藏状态，使用该模型改写模棱两可的输入，并将生成的结果推向对其考试结果更加明确的方向。
tkinter论文推荐系统
05-25
以下是一个基于 Tkinter 的简单论文推荐系统的示例代码，可以供您参考： ```python import tkinter as tk from tkinter import scrolledtext # 定义文章列表 articles = [ "Deep learning for image recognition", "Natural language processing with neural networks", "Machine learning for anomaly detection", "Data mining techniques for pattern recognition", "Reinforcement learning in robotics", "Evolutionary algorithms for optimization", "Big data analytics with Hadoop and Spark", "Cloud computing for data storage and processing" ] # 定义推荐函数，根据输入关键词返回匹配文章 def recommend(keyword): matches = [] for article in articles: if keyword.lower() in article.lower(): matches.append(article) return matches # 定义 GUI 界面 class App: def __init__(self, master): self.master = master master.title("论文推荐系统") # 添加标签 self.label = tk.Label(master, text="请输入关键词：") self.label.pack() # 添加输入框和按钮 self.entry = tk.Entry(master) self.entry.pack() self.button = tk.Button(master, text="查找", command=self.search) self.button.pack() # 添加滚动文本框 self.text = scrolledtext.ScrolledText(master, width=50, height=10) self.text.pack() # 查找按钮的回调函数 def search(self): keyword = self.entry.get() matches = recommend(keyword) if matches: self.text.delete('1.0', tk.END) for match in matches: self.text.insert(tk.END, match + "\n") else: self.text.delete('1.0', tk.END) self.text.insert(tk.END, "没有找到匹配的文章") # 启动应用程序 root = tk.Tk() app = App(root) root.mainloop() ``` 该论文推荐系统使用了 Tkinter 的 GUI 组件，包括标签、输入框、按钮和滚动文本框。当用户输入关键词并点击“查找”按钮时，系统会返回所有匹配的文章，并在滚动文本框中显示结果。 注意，该示例代码仅为演示用途，实际情况下您可能需要使用更复杂的算法来实现更准确的推荐。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值