现有的学习时间序列表示的方法保持时间步长的时间排列完整，并假设原始顺序是最适合学习的。然而，现实世界时间序列的不相邻部分可能具有很强的依赖性。因此，我们提出了一个问题：是否有一种时间序列的替代安排可以实现更有效的表示学习？为了解决这个问题，我们提出了一种简单的即插即用机制，称为 Segment、Shuffle 和 Stitch (S3)，旨在改进现有模型的时间序列表示学习 ...

我们引入了密集视觉变换器，这是一种利用视觉变换器代替卷积网络作为密集预测任务骨干的架构。我们将视觉转换器各个阶段的标记组装成各种分辨率的类似图像的表示，并使用卷积解码器逐步将它们组合成全分辨率预测。 Transformer 主干以恒定且相对较高的分辨率处理表示，并且在每个阶段都具有全局感受野 ...

由于数学表达式的结构复杂且符号多样，公式识别面临重大挑战。尽管公式识别模型不断进步，但这些模型采用的评估指标（例如 BLEU 和编辑距离）仍然表现出明显的局限性。他们忽视了同一个公式具有不同的表示形式，并且对训练数据的分布高度敏感，从而导致公式识别评估的不公平性 ...

大型语言模型 (LLM) 展示了人类水平的对话、推理和知识保留能力。然而，即使是最先进的 LLM 也面临着幻觉和知识实时更新等挑战。目前的研究通过为 LLM 配备外部知识来解决这一瓶颈，这种技术称为检索增强生成（RAG） ...

开放信息提取（OIE）旨在从自然文本中提取客观的结构化知识，这引起了越来越多的关注，以人类经验构建专用模型。由于大型语言模型（LLM）表现出了卓越的上下文学习能力，一个问题是，这种范式能否有效地解决 OIE 的任务？在本文中，我们探索通过为 LLM 构建适当的推理环境来解决 OIE 问题。具体来说，我们首先提出了一种有效估计 LLM 和测试样本之间句法分布差异的方法，该方法可以作为准备积极论证的相 ...

现实世界对话数据的可用性不断增加，为研究人员研究用户与聊天机器人的交互提供了令人兴奋的机会。然而，这些数据的庞大数量使得手动检查单个对话变得不切实际。为了克服这一挑战，我们推出了 WildVis，这是一种交互式工具，可以实现快速、多功能和大规模的对话分析 ...

众所周知，结合显式知识图（KG）可以有利于问答。现有方法通常遵循基础推理管道，其中实体节点首先针对查询（问题和候选答案）进行基础，然后推理模块对匹配的多跳子图进行推理以进行答案预测。尽管该管道在很大程度上缓解了从巨型知识图谱中提取基本信息的问题，但在扩大子图接地的跳跃时，效率仍然是一个公开的挑战 ...