检索增强生成 (RAG) 系统通过集成外部知识源来增强大型语言模型 (LLM)，从而根据用户需求提供更准确且与上下文相关的响应。然而，现有的 RAG 系统有很大的局限性，包括依赖平面数据表示和上下文意识不足，这可能导致答案支离破碎，无法捕获复杂的相互依赖关系。为了应对这些挑战，我们提出了 LightRAG，它将图结构合并到文本索引和检索过程中 ...
为了解决推荐系统（RSS）中长期存在的数据稀疏问题，已提出了跨域建议（CDR），以利用来自富裕领域的相对较丰富的信息来提高稀疏域中的建议性能。尽管近年来对CDR进行了广泛的研究，但缺乏对现有CDR方法的系统评价。为了填补这一空白，在本文中，我们对现有的CDR方法进行了全面审查，包括挑战，研究进度和未来的方向 ...
我们解决了为多模式分类问题找到良好体系结构的问题。我们提出了一个新颖而通用的搜索空间，该空间涵盖了许多可能的融合体系结构。为了在提出的搜索空间中找到给定数据集的最佳体系结构，我们利用为问题量身定制的有效基于顺序模型的探索方法 ...
培训的分布性质使联合学习（FL）容易受到后门攻击的影响，恶意模型更新旨在损害全球模型在特定任务上的绩效。现有的防御方法显示出有限的功效，因为它们忽略了有关通用和细粒度方向的良性模型和恶意模型更新之间的不一致性。为了填补这一空白，我们介绍了Alignins，这是一种新颖的防御方法，旨在保护FL系统免受后门攻击 ...
我们介绍了Mindeye，这是一种新型的fMRI至图像方法，可从大脑活动中检索和重建图像。我们的模型包括两个专门用于检索（使用对比度学习）和重建（使用扩散先验）的平行群。 Mindeye可以将fMRI大脑活动映射到任何高维多模式的潜在空间，例如剪辑图像空间，从而使用接受该潜在空间的嵌入的生成模型启用图像重建 ...
积极的学习有望减轻监督机器学习的巨大数据需求：通过对主题分类和对象识别等传统任务的数量级，它成功提高了样本效率。但是，我们发现了与这一诺言形成鲜明对比的形成鲜明对比的：在5个模型和4个有关视觉问题回答任务的数据集中，各种各样的活跃学习方法无法超越随机选择。为了了解这种差异，我们以每个示例介绍了8种主动学习方法，并将问题确定为集体异常值 - 积极学习方法更喜欢获取但模型无法学习的示例组（e ...
深图网络（DGNS）目前在图形学习的研究环境中占主导地位，因为它们的效率和在节点之间实施自适应消息的方案的能力。但是，DGN通常在传播和保留节点之间的长期依赖性的能力上受到限制，即 ...
图形神经网络（GNNS）通常通过消息通信操作，其中节点的状态根据从其邻居接收到的信息进行更新。大多数消息通讯模型充当图形卷积，其中特征是由共享的线性转换混合在一起，然后再在边缘传播。在节点分类任务上，图表卷积已显示出两个局限性：异性含量上的性能差，并且过度平滑 ...
