-
DASA:数据增强与句法分析在跨领域情感三元组提取中的应用
跨领域方面情感三元组抽取中,传统数据增强方法忽视语法结构一致性,且依赖模型显式构建方面-评论关联。本文提出DASA框架,首先基于成分句法分析构建语法树,结合目标域词性约束进行语义引导的跨域数据增强,确保生成样本的语法一致性。随后设计双图注意力机制,分别通过依存语法图和词性组合图建模方面-评论的语义关联,利用图注意力网络动态融合上下文特征。实验在六个跨领域数据集上验证,DASA的微平均F1值较基线提升2.48%-6.15%,显著优于现有数据增强和图神经网络方法。
来源:Neurocomputing
时间:2026-03-29
-
利用带掩码的最优传输正则化技术实现持续命名实体识别的抗遗忘功能
本文提出Masked Optimal Transport Regularization(MOTR)解决持续命名实体识别中的灾难性遗忘问题,通过特征-标签联合分布构建最优传输成本函数,设计实体对齐与分离的双机制,动态平衡知识保留与新增实体识别,在三个基准数据集上验证其有效性。
来源:Neurocomputing
时间:2026-03-29
-
自适应原型与关系感知蒸馏算法在数据不完整的多模态情感分析中的应用
多模态情感分析(MSA)通过整合异构模态数据提升情感理解,但缺失数据(如噪声、遮挡或转录错误)严重制约性能。现有方法多通过特征重建或样本级对齐处理缺失数据,但这些策略噪声敏感且易受错误特征干扰。本文提出自适应原型与关系感知蒸馏(APRD)框架,通过教师模型生成情感特异性原型作为平滑伪目标,避免样本级噪声匹配,增强情感表征学习。同时设计关系感知蒸馏机制,传递样本间相似性结构知识,并采用动态加权策略自适应平衡教师置信度与学生学习状态。实验表明,APRD在MOSI、MOSEI、SIMS数据集上MAE相对提升0.7%、1.9%、3.9%,相关系数分别提升1.3%、4.1%、18.4%,显著优于现有方法。
来源:Neurocomputing
时间:2026-03-29
-
SigMA:路径特征与多头注意力机制在基于分数布朗运动(fBm)的随机微分方程(SDEs)中用于参数学习
本研究针对分数布朗运动驱动的随机微分方程参数估计难题,提出基于路径签名的多头自注意力架构SigMA。通过合成数据与真实金融及电池数据验证,SigMA在估计精度、鲁棒性和模型简洁性上显著优于CNN、LSTM、DeepSigNet和传统Transformer,证明结合路径签名与注意力机制能有效处理具有长期依赖和路径粗糙特性的系统参数推断。
来源:Neurocomputing
时间:2026-03-29
-
DroneNav:统一的文本-视觉表示与结构化的空间推理机制,用于实现稳健的无人机视觉与语言导航系统
针对无人机视觉与语言导航中的复杂环境感知和空间推理难题,本文提出DroneNav两阶段学习范式。第一阶段通过语义感知、场景文本对齐和分层决策构建专家模型,第二阶段采用SFT微调的MLLM辅助视觉接地实现动态目标校准,有效平衡性能与计算效率。实验表明,DroneNav在CityNav数据集上显著优于基线,导航误差最低,成功率达最优,推理时间减少49.1%,计算成本降低16.4%。
来源:Neurocomputing
时间:2026-03-29
-
神经网络稀疏化的根本限制:来自灾难性可解释性崩溃的证据
本研究探讨极端神经网络稀疏化(90%激活减少)对可解释性的影响,通过混合VAE-SAE架构和自适应稀疏调度框架,发现全球表征质量(互信息差距)稳定,但局部可解释性崩溃,且该现象与数据集复杂度正相关,验证了稀疏化固有局限。
来源:Neurocomputing
时间:2026-03-29
-
基于Transformer的多智能体强化学习中的领导者-追随者通信图优化方法
多智能体强化学习中的通信优化方法,提出动态领导-跟随拓扑结合多智能体Transformer架构,通过密度聚类形成局部簇并选举领导者,结合信任加权注意力机制过滤冗余信息,实现高效通信与协作,在StarCraftII和MPE基准上验证有效性。
来源:Neurocomputing
时间:2026-03-29
-
从光谱视角出发解决图结构的异质性和异质性偏好问题
提出H2SGNN模型,通过本地独立过滤和全局混合过滤解决异质图中的异质性冲突,在DBLP、ACM等基准数据集上实现性能提升,同时降低参数量和计算成本。
来源:Neurocomputing
时间:2026-03-29
-
综述:音乐驱动的舞蹈创作:一篇综合性综述
音乐驱动舞蹈生成研究综述:系统梳理技术发展、算法创新、多模态应用及框架升级,总结公开数据集与评估指标,分析运动同步、风格保持、群体协作等核心挑战,提出融合神经科学、强化学习与跨模态推理的未来方向。
来源:Neurocomputing
时间:2026-03-29
-
针对非对称受限系统的数据驱动快速最优调节方法,具有可调的收敛性能
提出一种可调整快速Q学习算法,用于解决未知非线性离散时系统在非对称控制输入约束下的最优调节问题。通过设计考虑历史成本信息的参数化加速机制,并引入约束函数将非对称输入转化为无约束形式,显著提升算法收敛速度与稳定性。理论分析验证了算法的收敛性、单调性及闭环稳定性,并通过质量弹簧和扭转摆系统仿真验证了其有效性。
来源:Neurocomputing
时间:2026-03-29