Cross-Silo Federated学习提供了一种有希望的解决方案，可以协作培训强大的AI模型，而不会损害本地数据集的隐私，例如医疗保健，财务状况以及缺乏集中数据设施的科学项目 ...

现代技术（例如对比度学习）已在许多领域有效使用，包括计算机视觉，自然语言处理和图形结构化数据。创建积极的例子来帮助模型学习鲁棒和歧视性表示是对比学习方法的关键阶段。通常，预设人直觉指导相关数据增强的选择 ...

我们如何通过时间知识图（TKG）执行知识推理？ TKGS代表有关实体及其关系的事实，每个事实都与时间戳相关。对TKG的推理，即 ...

时间因素与现实应用中事实的增长有关，例如疾病的进步和政治状况的发展，因此，对时间知识图（TKG）的研究引起了很多关注。在TKG中，需要研究具有时间性固有的关系模式，以进行跨时间事实的表示和推理。但是，现有方法几乎无法建模时间关系模式，也无法捕获随着时间的流逝而发展时关系之间的固有联系，缺乏可解释性 ...

时间知识图（TKG）推理旨在根据历史信息来预测未来的丢失事实，并最近增加了研究兴趣。已经做出了许多作品，以模拟推理任务的历史结构和时间特征。大多数现有作品模型图表结构主要取决于实体表示 ...

随着时间的流逝，我们的物理世界一直在不断发展，这为预训练的语言模型带来了挑战，以理解和推理文本的时间上下文。现有的工作着重于加强文本与时间戳记之间的直接关联。但是，知识时间关联通常不足以用于需要在知识之间进行时间依赖性推理的下游任务 ...

尽管大型语言模型（LLM）表现出了显着的推理能力，但它们并非没有缺陷和不准确。最近的研究引入了各种方法来减轻这些局限性。尤其是时间推理（TR），由于其依赖各种时间概念和复杂的时间逻辑，对LLM提出了重大挑战 ...

时间知识图（TKG）是通过附加时间范围来扩展常规知识图的扩展。现有的时间知识图应答答案（TKGQA）模型仅处理简单问题，因为先前的假设是每个问题仅包含具有明确/隐式时间约束的单个时间事实。因此，他们在拥有多个时间事实的问题上表现不佳 ...