图良好过滤（GCF）在推荐任务中实现了最先进的性能。然而，大多数GCF结构简化了图补网络（GCN）中消息传递过程中的特征转换和非线性操作。我们重新利用了这两个问题各个组件，发现 GCN 中消息传递过程中的部分特征转换和非线性操作可以改善 GCF 的表示，但增加了分量... ...

持续学习（CL）旨在使机器学习模型能够不断地从新数据中学习，同时以以前获得的知识为基础而不会忘记。随着机器学习模型从小型预训练架构发展到大型预训练架构，从支持单模态数据发展到支持多模态数据，多模态连续学习（MMCL）方法最近出现了。 MMCL 的主要挑战是它超越了单峰 CL 方法的简单堆叠，因为这种简单的方法通常会产生不令人满意的性能 ...

基于扩散的视频生成的最新进展已经展示了显着的成果，但合成视频和真实世界视频之间的差距仍未得到充分探索。在这项研究中，我们从外观、运动和几何三个基本角度审视了这一差距，将现实世界的视频与最先进的人工智能模型“稳定视频扩散”生成的视频进行比较。为了实现这一目标，我们使用 3D 卷积网络训练三个分类器，每个分类器针对不同的方面：外观的视觉基础模型特征、运动的光流以及几何的单眼深度 ...

点击率 (CTR) 预测是在线广告系统中的一项关键任务。大量研究独立考虑每个广告，但忽略了其与可能影响点击率的其他广告的关系。在本文中，我们研究了各种类型的辅助广告，以提高目标广告的点击率预测 ...

在药物发现中，预测小分子药物的吸收、分布、代谢、排泄和毒性 (ADMET) 特性对于确保安全性和有效性至关重要。然而，准确预测这些特性的过程通常是资源密集型的，并且需要大量的实验数据。为了应对这一挑战，我们提出了 SMILES-Mamba，这是一种两阶段模型，通过结合自监督预训练和微调策略来利用未标记和标记数据 ...

基础模型现在为深度学习中大多数令人兴奋的应用程序提供支持，几乎普遍基于 Transformer 架构及其核心焦点模块。许多次二次时间架构（例如线性焦点、门控曲面和循环模型以及构造状态空间模型（SSM））已被开发出来，以解决 Transformer 在长序列上的计算效率低下的问题，但它们处于重要模式（例如作为语言）。我们发现此类模型的一个关键缺陷是它们无法执行根据内容的推理，并做出一些改进... . ...

我们推出了一种新型混合曼巴变形主干网，名为MambaVision，专为视觉应用定制定制。我们的核心贡献包括重新设计曼巴公式，以增强其高效造型特征的视觉能力。此外，我们对视觉变形金刚（ViT）与Mamba集成的吸纳进行了全面的消融研究... ...

最近，由于现实应用中自由文本节点功能的流行以及支持 TAG 方法的大型语言模型 (LLM) 的进步，文本属性图 (TAG) 的研究引起了极大的关注。然而，当前的 TAG 方法面临两个主要挑战：（i）严重依赖标签信息和（ii）有限的跨域零/少样本可转移性。由于高昂的劳动力成本和缩放法则，这些问题限制了数据和模型大小的扩展，使具有强可迁移性的图基础模型的开发变得复杂 ...