通过可学习数据增强的对比图节点聚类是无监督图学习领域的热门研究点。现有方法了解预定义的增强的采样分布，以自动生成数据驱动的增强。尽管已经实现了有希望的聚类性能，但我们观察到这些策略仍然依赖于预定的增强，但增强图的语义很容易漂移 ...

反向传播是在神经网络培训中实现最新准确性的标准方法，但通常会施加高度的记忆成本，并且缺乏生物学上的合理性。在本文中，我们介绍了一单向算法，这是一种纯粹的局部层次学习方法，灵感来自Hinton的前向框架。与反向传播不同，单声道仅通过本地可用的信息来优化每个层，从而消除了对全局错误信号的依赖 ...

通用机器人需要多功能的身体和聪明的头脑。人形机器人的最新进展已显示出巨大的希望，作为在人类世界中建立通才自治的硬件平台。一个对大量和多样化数据源培训的机器人基金会模型对于使机器人能够推理新的情况，强大的可变性并迅速学习新任务至关重要 ...

我们研究了具有挑战性的增量射击对象检测（IFSD）设置。最近，在成功的连续和无芬特IFSD的背景下，已经研究了基于超网络的方法。我们仔细研究了此类方法的重要设计选择，从而导致了一些关键的改进，并导致了更准确，更灵活的框架，我们称之为Sylph ...

具有基于NERF的方法的3D城市生成显示出令人鼓舞的生成结果，但在计算上效率低下。最近，3D高斯脱落（3D-GS）已成为对象级别3D代的高效替代方案。但是，从有限尺度的3D对象和人类适应3D-GS到无限尺度3D城市是不平凡的 ...

本文介绍了持续的Weisfeiler-Lehman随机步行方案（缩写为PWLR），用于图形表示，这是一个新型的数学框架，可产生具有离散和连续节点特征的图形的可解释的低维度表示的集合。提出的方案有效地结合了归一化的Weisfeiler-Lehman程序，在图表上随机行走以及持续的同源性。因此，我们整合了图形的三个不同属性，即局部拓扑特征，节点学位和全局拓扑不变，同时保留图形扰动的稳定性 ...

稳定性和可塑性之间的平衡仍然是基于验证的基于模型的增量对象检测（PTMIOD）的基本挑战。尽管现有的PTMIOD方法在与预处理数据相一致的内域任务上表现出强大的性能，但它们对跨域情景的可塑性仍未得到充实。通过对审计探测器进行系统的组件分析，我们揭示了一个基本差异：本地化模块证明了固有的跨域稳定性保护精确的边界框估计跨分布偏移 - 分类组件需要增强的可塑性以减轻跨层面场景中的可区分性可区分性 ...

图挖掘是数据挖掘和机器学习的重要领域，涉及从图形结构化数据中提取有价值的信息。近年来，通过发展图神经网络（GNN）的发展在该领域取得了重大进展。但是，GNN仍然缺乏概括到各种图形数据的不足 ...