图表示学习在金融和社交网络等众多现实应用中表现出了卓越的性能。然而，大多数现有作品可能会因决策过程中对公平性的关注不够而做出歧视性预测。这种监督促使人们越来越关注公平代表性学习 ...

顺序推荐通过按时间顺序对项目序列进行建模来表征不断演变的模式。它的基本目标是捕获项目转换相关性。 Transformer 的最新发展激励社区设计有效的序列编码器，\textit{e ...

蒙面自动编码器学习强大的视觉表示，并在几种独立的模态中实现最先进的结果，但很少有作品在多模态设置中解决它们的能力。在这项工作中，我们重点关注点云和 RGB 图像数据（这两种在现实世界中经常一起呈现的模式），并探索它们有意义的交互。为了改善现有工作中的跨模态协同作用，我们提出了 PiMAE，一种自监督预训练框架，通过三个方面促进 3D 和 2D 交互 ...

通过生成新的有效数据，数据增强已成为缓解顺序推荐中数据稀疏问题的一种有前途的方法。现有的工作重点是增强原始数据，但很少探讨增强数据的相关性和多样性不平衡的问题，从而导致语义漂移问题或性能改进有限。在本文中，我们提出了一种新颖的用于顺序推荐的平衡数据增强插件（BASRec）来生成平衡相关性和多样性的数据 ...

推测解码是一种广泛使用的方法，可加速大型语言模型 (LLM) 的生成过程，同时不会影响模型性能。它通过使用现有的较小模型进行起草，然后利用目标 LLM 以低成本并行方式验证草案来实现这一目标。在这样的起草验证框架下，起草效率成为推测解码最终加速的瓶颈 ...

雅可比解码等并行解码方法有望实现更高效的 LLM 推理，因为它打破了 LLM 解码过程的顺序性质，并将其转换为可并行计算。然而，在实践中，与传统的自回归 (AR) 解码相比，它几乎没有实现加速，这主要是因为雅可比解码很少在单个定点迭代步骤中准确预测多个标记。为了解决这个问题，我们开发了一种新方法，旨在实现从任何状态到雅可比轨迹上的固定点的快速收敛 ...

社交网络已经成为人们生活中不可或缺的一部分。网络服务的激增以前所未有的规模进一步扩大了社交网络，为在线平台带来了不可估量的商业价值。近年来，团购（GB）商业模式盛行，在电子商务中也越来越流行 ...

自监督训练在预训练模型和促进语音识别（如多语言 ASR）的下游微调方面显示出了可喜的成果。大多数现有方法采用两阶段方案，其中在第一预训练阶段优化自监督损失，并在第二阶段恢复标准监督微调。在本文中，我们提出了一种端到端（E2E）联合无监督和监督训练（JUST）方法，将监督 RNN-T 损失与自监督对比和掩码语言模型（MLM）损失结合起来 ...