hierarchical-model

本文介绍了SCoR，一种用于预测科学概念之间关系的层次框架，其中包含一个基准和模型，通过预测类型化关系来改进研究方向的发现。

本文介绍了pFedHGP，一种个性化的联邦学习方法，使用层级高斯过程对异构分布式系统进行概率建模，同时通过联邦变分推断保护隐私。

本文介绍了一种混合分层1D-CNN-BiLSTM框架，用于生物医学与临床文本的抽取式摘要，旨在通过直接从源文档中选择句子而不是生成新文本来保持事实性。

分层视觉-语言-动作模型通过世界模型引导的测试时搜索扩展计算，用于高级子任务决策，从而提升长期机器人操作的性能。

本文提出HCIG，一种用于多模态讽刺和网络霸凌检测的分层跨模态不一致性图网络，在MMSD和MultiBully数据集上取得了最先进的性能。

HierBias提出了一种层次化的上下文条件模型用于媒体偏见检测，利用文档上下文改进句子级分类，在BABE和BASIL数据集上达到了最先进的F1和MCC分数。

本文提出了DTVEM-RE，这是差分时变效应模型的层次随机效应扩展，通过Stan中的哈密顿蒙特卡洛方法估计个体特异性的多滞后系数，解决了原始DTVEM假设单一群体水平滞后结构的局限性。模拟和实证结果表明，该方法能够恢复人际方差，并在层次和非层次基线方法上有所改进。