标签
NOAH引入了一个生成式Transformer模型，用于纵向多模态患者数据的全面表征和预测，实现临床环境中的零样本分类和反事实模拟等任务。
本文提出了TraveL，一个基于Transformer的多视角框架，用于学习道路网络中路径的分布表示，捕捉多样的旅行者行为和区域相关性，并在旅行时间估计、路径相似性和目的地预测方面超越了现有方法。
本文通过实验表明，神经网络中的表征解纠缠可以减少遗忘过程中的附带损害，支持了长期以来关于可解释性的直觉。
SMart 是一个新的时间序列表示学习框架，它使用多阶段递归图恢复和源数据集选择器来增强从多个数据集的表示迁移，在分类和回归任务中显示出性能提升。
本文提出了一种无源方法，用于诊断遗忘类别是否可以在类别遗忘后恢复，引入了无源重学习审计（SFRA）和一个重学习分数来量化可恢复性。
本文介绍了功能感知掩码，这是一种用于抗体语言模型的预训练算法，它将掩码放置与功能先验对齐，显著提升了结构和CDR相关任务的表现。
本文提出了 Local Reference Geometry (LRG)，一个轻量级的后验特征增强模块，通过测量和修复几何故障，提升不平衡时间序列分类中少数类别的局部特征可靠性。
研究表明，不同的表征学习目标能从心理测量数据中恢复出不同的潜在结构，其中对比学习目标增强了教师-儿童的检索能力，而基于PCA的方法则更好地保留了行为表型的组织结构。
本论文介绍了 AVA，这是一个评估 NLP 嵌入捕捉本体推理能力的框架，发现了显著的局限性，并质疑了强 NLP 性能转化为语义网能力的假设。
本文提出了一种无监督框架，结合流形学习和可解释图嵌入，以解决视觉表示中的几何和可解释性差距，提升图像检索和GCN分类任务的性能。
本文提出SciJEPA，一种无需引用网络、利用文档内非对称预测学习构建科学文献表征的框架，并证明正则化可有效提升模型性能。
Pixel Linguist II 通过可变分辨率训练、自然图像-文本对齐、布局感知渲染和多语言课程，改进了视觉文本表征学习，取得了最先进的成果和鲁棒的压缩性能。
本文探讨了统一多模态模型中视觉理解与生成之间的协同效应，表明任务解耦架构和端到端优化可以通过将共存转化为协同来提升性能。
本文介绍了OpEmbed，这是一个从生产事故元数据学习LLM云服务运行指纹的框架，旨在增强云环境中的运行预测和可靠性管理。
本文介绍了质心干预融合 (CIF)，一种投影融合框架，它统一了多语言干预算子以增强大型语言模型中的跨语言表示学习，特别在资源匮乏的语言上实现了性能提升。
本文介绍了Drift Variation自动编码器，它使用条件后验流匹配来统一生成和表示学习，在受控多模态基准测试中实现了高性能。
本文测试了大型语言模型中的可解码共情方向是否能可靠地改变自动化共情分数，发现情感方面的控制是部分的，而认知引导是不一致的，强调了检测并不意味着控制。
本文提出Winder，一种用于心脏周期分析的相位等变自监督学习模型，通过参数高效的架构实现具有竞争力的诊断准确性。
本文诊断了Graph-JEPA模型中的类别条件性坍缩，其中标准指标显示表示健康，但可用实例信息缺失，并提出了一种修复方法，同时证明了检索目标的结构性可约性。
本文提出一个计算框架，用于调控表征几何以改善生物和人工神经网络之间的双向对齐，展示了双向预测能力的55%相对提升。