zn0412的博客

Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs

Place2Vec——地理人工智能交叉

POI2Vec，结合word2vec的思想进行土地使用类型辨认。

作者在全局核心推理关系和局部依赖关系的基础上明确连接实体提及，以建立更好的实体提及表示。

【AAAI 2020】Hierarchical Attention Network with Pairwise Loss for Chinese Zero Pronoun Resolution论文地址：https://ojs.aaai.org//index.php/AAAI/article/view/6352摘要       最近的神经网络方法在解决汉语零代词问题时，没有考虑零代词和候选先行词之间的双向注意，而是简单地将该任务作为

摘要       交通预测已经成为智能交通系统的一个核心组成部分。然而，由于交通流的高度非线性和动态时空依赖性，及时准确的交通预测，特别是长期预测，仍然是一个公开的挑战。在本文中，我们提出了一种新的时空Transformer网络（STTNs），它联合利用动态的定向空间依赖和长距离的时间依赖来提高长期交通流预测的准确性。我们提出了一种新的图神经网络变体，名为空间Transformer，以动态的方式建立具有自注意力机制的有向空间依赖关系模型

【ECCV2020】用于行人轨迹预测的时空图变换器网络摘要       了解人群运动动力学对于现实世界的应用至关重要，例如监控系统和自动驾驶。这是具有挑战性的，因为它需要对具有社会意识的人群空间交互和复杂的时间依赖性进行有效建模。我们认为注意力是轨迹预测的最重要因素。在本文中，我们提出了 STAR，这是一个时空图 tRans-former 框架，它仅通过注意机制来处理轨迹预测。 STAR 通过 TGConv 对图内人群交互进行建模，

BERTifying 多源弱监督命名实体识别的隐马尔可夫模型摘要       我们研究了使用来自多个弱监督源的嘈杂标签来学习命名实体识别 (NER) 标记器的问题。 尽管获取成本低，但来自弱监督来源的标签往往不完整、不准确且相互矛盾，这使得学习准确的 NER 模型变得困难。 为了应对这一挑战，我们提出了一种条件隐马尔可夫模型（CHMM），它可以以无监督的方式有效地从多源噪声标签中推断出真实标签。 CHMM 利用预训练语言模型的上下文表

有限标签知识转移的学习图摘要       固定输入图是利用图卷积网络 (GCN) 进行知识转移的方法的支柱。标准范式是利用输入图中的关系，使用 GCN 将信息从图中的训练节点转移到测试节点；例如，半监督、零样本和少样本学习设置。我们提出了一个通用框架，用于学习和改进输入图，作为基于 GCN 的标准学习设置的一部分。此外，我们通过在中间层输出上应用三元组损失，为图中的每个节点使用相似和不同邻居之间的额外约束。我们在 Citeseer、C

ACL2016 《通过双向 LSTM-CNNs-CRF 的端到端序列标记》摘要       最先进的序列标记系统传统上需要大量手工制作特征和数据预处理形式的特定于任务的知识。 在本文中，我们介绍了一种新颖的中性网络架构，该架构通过使用双向 LSTM、CNN 和 CRF 的组合，自动受益于词级和字符级表示。 我们的系统是真正的端到端，不需要特征工程或数据预处理，因此适用于广泛的序列标记任务。 我们针对两个序列标记任务在两个数据集上评估我

2019年ICANN文章无监督学习摘要        网络化传感器和执行器在许多现实系统中的普及，例如智能系统建筑物、工厂、发电厂和数据中心为这些系统生成大量的多元时间序列数据。许多这样的网络物理系统（cps）是为关键任务而设计的，因此是网络攻击的目标。丰富的传感器数据可以通过异常检测持续监控入侵事件。然而，由于这些系统的动态复杂性，传统的基于阈值的异常检测方法是不够的，而有监督的机器学习方法由于缺乏标记数据而无法利用

GeoGAN: A Conditional GAN with Reconstruction and Style Loss to Generate Standard Layer of Maps from Satellite Images论文翻译

现有的根据文本生成图像的方法难以生成语言描述中包含多个对象以及对象之间关系的图。于是，作者提出了用图卷积处理输入图像，根据bounding box等计算场景布局，然后用级联细化网络和对抗生成网络把布局转换成图。