AAAI2024-分享若干篇有代码的优秀论文-图神经网络、时间序列预测、知识图谱、大模型等

图神经网络、大模型优化方向系列文章目录

为了方便大家根据自己的兴趣查看自己的研究方向论文,在这里进行了细分。如果有对其中的论文感兴趣的,可以查看对应的文章在论文相应的代码,方便快速上手学习,也可以借助这些代码的学习快速的写出属于自己的一篇论文。

第38届AAAI人工智能年度会议在2024年2月加拿大温哥华举行。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),最终仅仅录用2342篇,录用率为23.75%。
在这里插入图片描述

今天主要分享若干篇收录有代码的CCF-A类AAAI会议论文,简单的概述相关的内容分享给大家,后续有什么问题,欢迎大家一起交流。(有些论文还未看,需要时间整理)

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。更多NLP国际顶级学术会议列表介绍可以参考这篇文章:https://mp.weixin.qq.com/s/7JkKpSON8JYsH4I7XzDVZQ

一、图神经网络

1.Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns

2.Continuous-time Graph Representation with Sequential Survival Process

3.Rethinking Causal Relationships Learning in Graph Neural Networks

4.Chasing Fairness in Graphs: A GNN Architecture Perspective

5.Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling

6.Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective

7.Fair Federated Graph Neural Networks for Personalized Recommendation

8.SAT-Based Algorithms for Regular Graph Pattern Matching

9.Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning

二、大语言模型

1.Benchmarking Large Language Models in Retrieval-Augmented Generation

2.An Ever-Updating Benchmark for Holistic Domain Knowledge Evaluation
摘要:为了适应大型语言模型(LLM)的快速发展,迫切需要新的自然语言处理(NLP)基准。对此,我们推出了最全面的评估套件Xiezhi(獬豸),旨在评估整体领域知识。Xiezhi由516个不同学科的选择题组成,共包含249,587道题目,并附有“Xiezhi-专业”和 “Xiezhi-跨学科”两个领域特色数据集,均有15k题。通过对解题网上47个最新的LLM进行评估,结果表明最强的LLM在科学、工程学、农学、医学和艺术方面的表现有了超过人类的平均水平,但在经济学、法学、教育学、文学、历史学和管理学方面则有所欠缺。我们期待Xiezhi能帮助分析人类和LLM之间的差距,并能有助于分析LLM的重要优势和不足。

3.Can Large Language Models Understand Real-World Complex Instructions
摘要:大规模语言模型(LLMs)能够理解人类丰富的指令,其应用场景不再局限于传统自然语言处理任务。然而,LLMs在处理真实使用场景中的复杂指令时仍然面临挑战。这些复杂指令可能包含需要执行的多个任务或者需要遵循的多个约束条件,也可能包含长篇幅、噪声、异构信息和多轮对话格式的复杂输入。大模型的很多错误可以归因于无法理解复杂指令:LLMs通常会忽略任务描述中的语义约束、格式约束、数据约束等,从而无法忠实于给定的输入内容进行回答等。目前的基准测试无法全面评估LLMs理解复杂指令的能力,因为它们涵盖的指令通常是封闭且简单的。为了弥补这一不足,我们提出了CELLO,一个用于系统评估LLMs理解复杂指令能力的基准测试集,归纳了复杂指令的八个特征,并从真实场景中搜集数据从而构建了评估数据集。此外,鉴于现有评估指标存在不适用、含有偏见或者粗粒度等问题,我们建立了四个评估LLMs理解复杂指令能力的标准并将其量化为自动化指标。通过广泛的实验对比了具有代表性的中英文大模型对复杂指令理解的能力。

4.SECap: Speech Emotion Captioning with Large Language Model

5.Data-Efficient Alignment of Large Language Models with Human Feedback Through Natural Language

三、时间序列预测

四、知识图谱

1.Knowledge Graph Error Detection with Contrastive Confidence Adaption

2.Knowledge Graph Error Detection with Contrastive Confidence Adaption

3.Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey
这一论文并非AAAI的论文,但是可以通过这篇论文了解知识图谱的很多论文。

4.Editing Language Model-based Knowledge Graph Embeddings

五、多模态

1.LAMM: Label Alignment for Multi-Modal Prompt Learning

2.Generative-based Fusion Mechanism for Multi-Modal Tracking

摘要:尽管生成模型在众多研究任务中已经展现了较强的综合理解能力,它在多模态目标跟踪中的应用仍未被探索。因此,在此文中我们尝试使用生成式范式去解决多模态任务的核心问题-多模态信息融合。我们深入对比了两种常见的生成模型,条件生成对抗网络以及扩散模型。与传统融合范式将各个模态特征直接输入到融合网络不同,在生成式融合范式中我们将模态特征与随机噪声相结合,有效地将原始相对简单的样本对转换为困难样本对,提高了网络对噪声(无效信息)的感知能力,因此能够获得更好地跟踪性能。为了验证方法的有效性及鲁棒性,我们在2个不同的跟踪任务、3个不同的跟踪框架、4个不同的跟踪基准测试集上进行了验证实验,体现了算法较好的鲁棒性,同时在GTOT、LasHeR和RGBD1K测试集上达到了当前的最优性能。
3.Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations

4.T-SciQ: Teaching Multimodal Chain-of-Thought Reasoning via Mixed Large Language Model Signals for Science Question Answering

六、推荐系统

1.Temporally and Distributionally Robust Optimization for Cold-Start Recommendation

七、强化学习

1.BadRL: Sparse Targeted Backdoor Attack Against Reinforcement Learning
2.Explaining Reinforcement Learning Agents Through Counterfactual Action Outcomes
3.ReCePS: Reward Certification for Policy Smoothed Reinforcement Learning
4.Contextual Pre-planning on Reward Machine Abstractions for Enhanced Transfer in Deep Reinforcement Learning

八、扩散模型

1.Brush Your Text: Synthesize Any Scene Text on Images via Diffusion Mode

2.SPD-DDPM: Denoising Diffusion Probabilistic Models in the Symmetric Positive Definite Space

3.DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection

4.ArtBank: Artistic Style Transfer with Pre-trained Diffusion Model and Implicit Style Prompt Bank

5.AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model

6.Audio Generation with Multiple Conditional Diffusion Model

7.Compositional Text-to-Image Synthesis with Attention Map Control of Diffusion Models

8.LDMVFI: Video Frame Interpolation with Latent Diffusion Models

九、其它有趣的研究

1.DeepCalliFont: Few-shot Chinese Calligraphy Font Synthesis by Integrating

2.Text2Analysis: A Benchmark of Table Question Answering withAdvanced Data Analysis and Unclear Queries

3.Coreference Graph Guidance for Mind-Map Generation

4.Zero-1-to-3:Domain-level Zero-shot Cognitive Diagnosis via One Batch of Early-bird Students towards Three Diagnostic Obiectives

5.Enhance Sketch Recognition’s Explainability via Semantic Component-Level Parsing

6.Toward Robustness in Multi-label Classification: A Data Augmentation Strategy against Imbalance and Noise

7.Towards Automatic Boundary Detection for Human-AI Collaborative Hybrid Essay in Education

8.Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/717311.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

16 Educational Codeforces Round 142 (Rated for Div. 2)C. Min Max Sort(递归、思维、dp)

C. Min Max Sort 很不错的一道题目,不过脑电波和出题人每对上, q w q 。 qwq。 qwq。 正难则反。 我们考虑最后一步是怎么操作的。 最后一步一定是对 1 1 1和 n n n进行操作 那么上一步呢? 上一步应该是对 2 2 2和 n − 1 n-1 n−1 以此类推…

AMD“高级洞察”系列揭示Epyc Naples和Rome原型CPU早期无法启动问题

AMD在其新的YouTube视频系列《高级洞察》第一集中,由AMD首席技术官Mark Papermaster担任主持人,讨论了AMD在数据中心领域的突破性进展及其持续增长。然而,AMD在服务器业务的发展并非一帆风顺,两位高管公开讨论了早期Epyc Naples和…

【Python】环境管理怎么选择【virtualenv】【pipenv】【 poetry】【 conda】

前言 刚入门Python,看到PyCharm的环境管理选择有好几个选择,分别是virtualenv、pipenv、venv、conda,只知道这些都可以用来管理Python环境的,但不知道这些环境有什么区别,所以,本文将对这些环境管理进行总…

Avalonia学习(二十九)-仪表

Avalonia制作仪表盘&#xff0c;把控件给大家演示一下&#xff0c;Avalonia有三类自定义控件&#xff0c;分别是用户控件、模版控件、自主控件。前面已经很多用户控件了&#xff0c;这个是演示模版控件&#xff0c;另外一种不知道哪种情况下使用。 前端代码&#xff1a; <…

想从事数据方向职场小白看过来, 数据方面的一些英文解释

想从事数据方向职场小白看过来&#xff0c;一些英文名词解释 文章目录 想从事数据方向职场小白看过来&#xff0c;一些英文名词解释 英文类解释NoSQL&#xff1a;ESB&#xff1a;ACID &#xff1a;Data Vault&#xff1a;MDM&#xff1a;OLAP&#xff1a;SCD:SBA&#xff1a;MP…

【Django】执行查询——比较、删除、复制、批量修改对象

以下述模型为基础&#xff0c;讨论检索对象的方式方法&#xff1a; from datetime import datefrom django.db import modelsclass Blog(models.Model):name models.CharField(max_length100)tagline models.TextField()def __str__(self):return self.nameclass Author(mod…

【vue】v-if、v-show、v-for 相关所有面试题总结

v-if 和 v-show 的区别 两个重点【dom】和【生命周期】 v-if 惰性指令&#xff0c;false 不会被编译、渲染不会存在 DOM 中切换开销大&#xff0c;需要重新创建元素值变化&#xff0c;使用 v-if 的组件生命周期执行顺序 true 变为 false【组件的销毁】 beforeDestroy / befor…

[Flutter]shared_preferences基本用法以及可视化管理存储的key和value类型

shared_preferences 是一个Flutter插件&#xff0c;它提供了一种简单的方式来在应用程序中存储和获取持久化的键值对数据。它可以用于存储应用程序的配置信息、用户偏好设置、登录状态等。 使用 shared_preferences 插件&#xff0c;你可以在应用程序中轻松地保存和读取数据&a…

Java中线程相关的知识

创建子线程的三种方式: 1.自定义线程任务类继承线程类&#xff0c;以便继承其功能,重写其run方法(里面写自己需要实现的功能)&#xff0c;在main方法调用时创建其任务类实例化对象&#xff0c;然后调用对象的start方法(继承自父类)&#xff0c;即成功创建线程 优点:创建方式简…

Pandas DataFrame 基本操作实例100个

Pandas 是一个基于NumPy的数据分析模块&#xff0c;最初由AQR Capital Management于2008年4月开发&#xff0c;并于2009年底开源。Pandas的名称来源于“Panel Data”&#xff08;面板数据&#xff09;和“Python数据分析”&#xff08;data analysis&#xff09;。这个库现在由…

来不及了!大学必须完成的四件事!

老师们常说&#xff0c;上大学就轻松了 其实不然 大学不是人生的终点&#xff0c;而是新的起跑线 不是休息站&#xff0c;而是进入社会的最后冲刺跑道 大学生活苦乐参半&#xff0c;成人世界即将来临 出了校门&#xff0c;你会发现社会复杂多变&#xff0c;需要不断学习 稍…

excel中如何使用VLOOKUP和EXACT函数实现区分大小写匹配数据

在 Excel 中&#xff0c;VLOOKUP 函数默认情况下是不区分大小写的&#xff1a; 比如下面的案例&#xff0c;直接使用VLOOKUP函数搜索&#xff0c;只会搜索匹配到不区分大小写的第一个 如果我们想要实现区分大小写的精确匹配&#xff0c;可以使用 EXACT 函数结合 VLOOKUP 函数 …

【简说八股】Redisson的守护线程是怎么实现的

Redisson Redisson 是一个 Java 语言实现的 Redis SDK 客户端&#xff0c;在使用分布式锁时&#xff0c;它就采用了「自动续期」的方案来避免锁过期&#xff0c;这个守护线程我们一般也把它叫做「看门狗」线程。 Redission是一个在Java环境中使用的开源的分布式缓存和分布式锁实…

PyTorch-卷积神经网络

卷积神经网络 基本结构 首先解释一下什么是卷积&#xff0c;这个卷积当然不是数学上的卷积&#xff0c;这里的卷积其实表示的是一个三维的权重&#xff0c;这么解释起来可能不太理解&#xff0c;我们先看看卷积网络的基本结构。 通过上面的图我们清楚地了解到卷积网络和一般网…

【Javascript】设计模式之发布订阅模式

文章目录 1、现实中的发布&#xff0d;订阅模式2、DOM 事件3、简单的发布-订阅模式4、通用的发布-订阅模式5、先发布再订阅6、小结 发布—订阅模式又叫观察者模式&#xff0c;它定义对象间的一种一对多的依赖关系&#xff0c;当一个对象的状态发生改变时&#xff0c;所有依赖于…

Mysql深入学习 基础篇 Ss.02 详解四类SQL语句

我亲爱的对手&#xff0c;亦敌亦友&#xff0c;但我同样希望你能成功&#xff0c;与我一起&#xff0c;站在人生的山顶上 ——24.3.1 一、DDL 数据定义语言 1.DDL —— 数据库操作 查询 查询所有数据库 show databases; 查询当前数据库 select database(); 创建 create databa…

【简说八股】Nginx、GateWay、Ribbon有什么区别?

前言 在现代的微服务架构中&#xff0c;Nginx、Gateway 和 Ribbon 都是处理网络请求和服务的组件&#xff0c;但它们各自扮演的角色和提供的功能有所不同。下面我将详细解释它们之间的区别&#xff1a; Nginx Nginx 是一个高性能的 HTTP 和反向代理服务器&#xff0c;它也可…

Golang Vs Java:为您的下一个项目选择正确的工具

Java 首次出现在 1995 年&#xff0c;由 James Gosling 和 Sun Microsystems 的其他人开发的一种新编程语言。从那时起&#xff0c;Java 已成为世界上最受欢迎和广泛使用的编程语言之一。Java 的主要特点包括其面向对象的设计、健壮性、平台独立性、自动内存管理以及广泛的内置…

MSMFN

CDFI是彩色多普勒血流成像 辅助信息 作者未提供数据

Codeforces Round 930 (Div. 2)

substr时间复杂度O&#xff08;N&#xff09;&#xff0c;不能一遍遍找&#xff0c;会超时 #include<iostream> #include<algorithm> #include<vector> #include<map> using namespace std; const int N5e510; map<string,int>mp; vector<…