Philip S. Yu

ラベル付きデータとラベルなしデータを使って、グラフ学習を強化する新しい方法を発見しよう。

ユーザーアイテムネットワークでのより良いインタラクション予測のための新しいモデル。

新しいフレームワークがアクティブラーニング技術を使ってグラフデータの異常検出を強化するよ。

DeepRicciは、構造とノードの特徴を改善することでグラフニューラルネットワークを強化します。

新しいフレームワークは、自信レベルに注目することでパーソナライズされた提案を強化する。

生成型検索エンジンは、敵対的な質問からの課題に直面していて、精度に影響を与えている。

言語モデルが学生の学びや教え方に与える影響を探る。

グラフニューラルネットワークの不確実性に対処するための効果的な戦略は、信頼性を高める。

新しいグラフクラスタリングの方法だと、クラスターの数を知らなくても柔軟にグループ化できるんだ。

この記事では、欠損データの扱いを改善する方法を紹介します。

グラフの異常を検出しつつ、公平な扱いを促進するフレームワーク。

IGL-Benchは、不均衡グラフをより良く分析するための重要なツールを提供するよ。

特定のデータの影響を取り除くことで、フェデレーテッドラーニングにおけるデータプライバシーを向上させる方法。

WaterSeekerは、大きな文書内の透かし入りテキストの検出方法を改善するよ。

音素転写を取り入れることで、異なる言語のスクリプトでLLMのパフォーマンスが向上するよ。

新しい方法で文書の関連抽出が強化されて、もっと良いつながりができるようになった。

新しい手法が進化するネットワークでの外れ値検出を強化。

大規模言語モデルは、クリエイティブな評価でコード要約の評価を強化する。

確率的コーディングがデータの解釈や意思決定をどう変えてるか見てみよう。