本周精选了10篇数据挖掘领域的优秀论文，来自清华，香港科技，哈佛，加州大学伯克利，新加坡国立，亚马逊，字节跳动等机构。
为了更方便地阅读，只整理了论文标题、作者、AI综述等，如果感兴趣可点击进入小程序详情页查看论文，PC端数据同步，每日新论文也可登录小程序查看。
1. Revisiting Sparse Convolutional Model for Visual Recognition论文详情页
作者介绍：Xili Dai,Mingyang Li,Pengyuan Zhai,Shengbang Tong,Xingjian Gao,Shao-Lun Huang,Zhihui Zhu,Chong You,Yi Ma
AI华同学综述（大模型驱动）：尽管具有广泛的理论数据,深层神经网络仍然被视为"黑盒子",很难解释。另一方面,紧凑的转换模型,即假设信号可以由转换词典几部分组成的线性组合,是分析自然图的有用工具。然而,与实验设计深层网络相比,这种原则性模型没有在对比中证明竞争性能。本文重新审视了深层转换建模的图像分类问题,并打破了研究结果与解释能力(深层学习)和解释性(紧凑)模型之间的界限。
2. Self-supervised Amodal Video Object Segmentation 论文详情页
作者介绍：Jian Yao,Yuxin Hong,Chiyu Wang,Tianjun Xiao,Tong He,Francesco Locatello,David Wipf,Yanwei Fu,Zheng Zhang
AI华同学综述（大模型驱动）：基于语料库的模块化视频对象分割本文提出了一种新的模块化的视频对象切分框架(SaVos)。该框架有效地利用了视频时间序列的图形信息来推断对象的模拟立方体。关键感知是,如果对象的一部分在其他镜头中可见,那么它可以被解释出来。因此,我们提出了一种新的学习范式,该范式有效地使用了观察到的对象部分作为监督指导的训练。此外,SaVopas还学习了空间前向,这也可以用于模块任务,并且也为看不见的类型进行推广。该框妹实现了在合成模块分割和实际世界基线KINS-视频车上最新的性能。
3. Contrastive Language-Image Pre-Training with Knowledge Graphs 论文详情页
作者介绍：Xuran Pan,Tianzhu Ye,Dongchen Han,Shiji Song,Gao Huang
AI华同学综述（大模型驱动）：在本文中,我们提出了一种基于知识的预训练框架,被称为知识-CLIP,该框架将语义信息输入CLIP模型。通过在预训练过程中引入基于知识的目标和使用不同类型的知识图作为训练数据,我们的模型可以将视图和语言的表示与更高的质量地对齐,并在场景和模块中增强推理能力。实验结果表明,与原始CLIP和竞争基线相比,知识CLIP的有效性远远超过原始EPICURE。
4. Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning 论文详情页
作者介绍：Dongze Lian,Daquan Zhou,Jiashi Feng,Xinchao Wang
AI华同学综述（大模型驱动）：我们提出了一种称为SSF的新参数效率校正方法,即SSF,它表示研究人员需要将先前训练的模型的深层特征移动并移位,以获得完全校正的性能。在本文中,我们提出了一个称为SSFO的新参数精确校正技术,它比以前的参数效率高出两个数量级,即FGVC和VTAB-1k。在26个特征分类数据集上进行的实验表明,与以前的方法相比,SSF的性能有所改进,但仅优化了大约0.3M个参数。
5. Panchromatic and Multispectral Image Fusion via Alternating Reverse Filtering Network 论文详情页
作者介绍：Keyu Yan,Man Zhou,Jie Huang,Feng Zhao,Chengjun Xie,Chongyi Li,Danfeng Hong
AI华同学综述（大模型驱动）：图像融合称为图像融化,指的是将空间中低解析(LR)多感光图(MS)的图像重新解析,以生成预期的高度解析的MR图像。在本文中,我们提出了一种简单 yet有效的 \textit{替换倒装转换网络}。受传统倒装过滤的启发,我们将图像复制为一种替换迭代过滤过程,该过程融合了LR MS和HR MS以解释的的方式。我们开发了可学习的广义矩阵内核模块,而不是使用特定的过滤器。
6. Distributed Distributionally Robust Optimization with Non-Convex Objectives 论文详情页
作者介绍：Yang Jiao,Kai Yang,Dongjin Song
AI华同学综述（大模型驱动）：分布式高效优化(DDOM)的目标是寻找最小化概率分布中 worstcase成本的最佳选择。然而,现有的DDOM技术面临三个关键挑战: 1)如何处理随机 updating在分布式环境中; 2)如何有效地利用先验分布; 3)如何根据不同场景的适当调整鲁棒性程度。为了解决这个问题,我们提出了一种同步的分布式算法,名为Asynchronous Single-looP回归概率推理(ASPIRE)算法。此外,开发了一个新的 uncertainty集,即被压缩的D-规范变量集,以有效地将先验概率充分利用,并可以灵活地控制鲁棒性和迭代复杂性。最后,我们的理论分析揭示了该算法是有保证的向前扩展的,迭代查找也进行了分析。
7. RTFormer: Efficient Design for Real-Time Semantic Segmentation with Transformer 论文详情页
作者介绍：Jian Wang,Chenhui Gou,Qiman Wu,Haocheng Feng,Junyu Han,Errui Ding,Jingdong Wang
AI华同学综述（大模型驱动）：我们提出了一种高效的双重解析变换器,它利用对数线性复杂性的感知能力。该变换器的性能优于基于美国有线电视新闻网的模型,并且比基线系统具有更好的竞争优势。我们提出了RT前后,一种有效的双重注释变换机,它将感知的知识传输到高解析分区,并消除了多头机制。
8. Adv-Attribute: Inconspicuous and Transferable Adversarial Attack on Face Recognition 论文详情页
作者介绍：Shuai Jia,Bangjie Yin,Taiping Yao,Shouhong Ding,Chunhua Shen,Xiaokang Yang,Chao Ma
AI华同学综述（大模型驱动）：我们提出了一种新的基于决策的敌对特征战术。我们提出了一个统一的灵活框架,敌对属性(Adv-属性),该框架设计用于生成无形攻击,该属性将敌对噪声添加到不同的属性中,并根据来自目标的差异对不同属性进行编码。此外,提出了多项式优化策略,以确保攻击灵活性和攻击强度之间的平衡。在FFHQ和CelbA-HQ数据集上的大量实验表明,该方法实现了最先进的攻击获胜率。
9. Q-ViT: Accurate and Fully Quantized Low-bit Vision Transformer 论文详情页
作者介绍：Yanjing Li,Sheng Xu,Baochang Zhang,Xianbin Cao,Peng Gao,Guodong Guo
AI华同学综述（大模型驱动）：在本文中,通过广泛的实证分析,我们首先确定严重性能下降的瓶颈来自低维量化自我注意图的信息扭曲。然后,我们开发了一个信息校正模块(IRM)和一种分布式引导抽取(DGD)方案,以有效地消除这种扭曲,从而导致完全量化ViT。
10. Efficient Knowledge Distillation from Model Checkpoints论文详情页
作者介绍：Chaofei Wang,Qisen Yang,Rui Huang,Shiji Song,Gao Huang
AI华同学综述（大模型驱动）：知识提取是一种有效的学习小型模型的有效方法。实证研究表明,教师和学生模型的性能之间的直接相关性存在强有力的联系。因此,实践中,人们通常认为,一个好的老师更喜欢一个好的模型。我们表明,信息瓶颈理论可以部分解释为:中等模型的特征表示可以具有更高的关于输入的相互信息,从而包含更多的"黑知识"。我们提出了一个基于最大化任务相关信息的optimal中等教育选择算法。实验验证了该算法的有效性和适用性。
赵俊杰，香港科技大学广州校区Mphil，导师为熊辉教授，主要研究领域为数据挖掘、自然语言处理、商业智能等。本科期间以第一作者、通讯作者在SCI，EI，中文核心期刊发表论文数篇，担任国际顶级会议ACM SIGKDD2022 审稿人。
学者主页：
https://www.aminer.cn/profile/63101e1bf5d67833f7a56603
如果想要获取更多数据挖掘的内容，欢迎使用AMiner订阅推荐系统。
输入“Date Mining”，即可获得与数据挖掘相关的推荐内容，快去试试吧！
【论文交流】微信社群邀你加入！
请必备注加群，发送关键词论文哦~
点击阅读原文，直达AMinerRec系统
快来定制你的科研动态吧！
