Measuring Similarity of Interactive Driving Behaviors Using Matrix Profile
Carnegie Mellon University(卡内基梅隆大学);University of California, Berkeley(加州大学伯克利分校);Tsinghua Automotive Research Institute (Suzhou)(清华苏州汽车研究院)
利用时间序列观测来理解多车交互行为对于自主车辆在不确定的交通环境中做出适当的决策至关重要。按需相似性度量对于自动驾驶车辆通过聚类和分类不同场景来处理大规模交互驾驶行为具有重要意义。本文提出了一种通用的方法来衡量时空相似性的互动行为,使用多元矩阵轮廓技术。该方法的关键吸引人的特点是其优越的空间和时间复杂度,实时在线计算的流量数据流,并可能利用硬件并行计算的能力。通过从序列数据中自动发现交叉口相似交互驾驶行为,验证了该方法的有效性。
2020-03-11 cs.AI cs.LG
CSSG: Measuring Code Similarity with Semantic Graphs
College of Computer Science and Artificial Intelligence(计算机科学与人工智能学院)
CSSG通过语义图建模控制依赖和变量交互,有效提升代码相似性度量的准确性。
2026-01-14 cs.AI cs.PL
An enhanced method to compute the similarity between concepts of ontology
Hassan 1st University(哈桑一世大学)
随着本体在语义网、信息检索、人工智能等领域的广泛应用,相似性度量已经成为一个非常重要的研究领域。因此,本文提出了一种相似性度量方法,该方法利用Dijkstra算法定义并计算最短路径,然后利用该算法计算定义在同一层次本体中的两个概念之间的语义距离。然后,我们根据这个结果来计算语义相似度。最后,我们提出了我们的方法和其他方法之间的相似性测量的实验比较。
2017-09-26 cs.AI cs.DB cs.IR
Measuring Time-Series Dataset Similarity using Wasserstein Distance
Dolby Labs(多利贝实验室);Adobe Research(Adobe研究)
针对时间序列基础模型研究中数据集相似性度量的需求,提出基于Wasserstein距离的分布式度量方法,经实验验证可有效识别相似数据集并高相关度估计基础模型推理性能。
2025-07-29 cs.AI cs.LG
Evaluating Multimodal Representations on Sentence Similarity: vSTS, Visual Semantic Textual Similarity Dataset
UPV/EHU University of the Basque Country(巴斯克大学)
在本文中,我们介绍了vSTS,一个新的数据集测量文本相似性的句子使用多模态信息。数据集由图像及其相应的文本标题组成。我们描述的数据集定量和定性,并声称它是一个有效的金标准,用于测量自动多模态文本相似性系统。我们还描述了初始实验结合多模态信息。
2018-09-11 cs.AI cs.CL
Semantic-KG: Using Knowledge Graphs to Construct Benchmarks for Measuring Semantic Similarity
University of Cambridge(剑桥大学)
本文提出利用知识图谱构建语义相似度基准,通过生成不同领域的语义相似和不相似陈述对,评估多种语义相似度方法的性能,揭示领域和语义变化类型对方法效果的影响。
2025-11-25 cs.AI
MelodySim: Measuring Melody-aware Music Similarity for Plagiarism Detection
Singapore University of Technology and Design(新加坡科技设计大学);Otto von Guericke University(奥托·冯·格里克大学)
本文提出面向音乐抄袭检测的旋律感知相似度模型与数据集MelodySim,通过增强Slakh2100构建旋律保留的变体数据集,结合MERT编码器与三元组网络实现分段相似度检测,性能优于基线模型。
2025-11-19 cs.AI cs.SD eess.AS
A Deep Learning-Based Approach for Measuring the Domain Similarity of Persian Texts
Sharif University of Technology(谢里夫理工大学)
在本文中,我们提出了一种新的方法来衡量两个波斯语文本,这是作为两个单独的广告描述的类别之间的相似程度。我们使用一个由电子商务网站上发布的广告组成的数据集为这项工作建立了一个适当的数据集。我们从这个数据集中生成了大量的成对文本,并为每对文本分配了从0到3的分数,这表明了这对文本的域之间的相似程度。在这项工作中,我们表示的词嵌入向量来自word2vec的话。然后使用深度神经网络模型来表示文本。最后,我们采用级联的绝对差和逐位乘法和一个完全连接的神经网络,以产生一个概率分布向量的得分对。通过监督学习方法,我们在GPU上训练了我们的模型,我们最好的模型达到了0.9865的F1分数。
2019-09-24 cs.AI cs.CL cs.LG
A Flexible Method for Behaviorally Measuring Alignment Between Human and Artificial Intelligence Using Representational Similarity Analysis
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
本研究调整表征相似性分析(RSA)方法,通过成对相似性评分量化人机语义对齐度,测试发现GPT-4o对齐度最高但难捕捉人类个体差异,该方法可补充现有基准,支持多模态下的人机对齐研究。
2025-10-01 cs.AI
Measuring Similarity between Artistic and AI Generated Images using Siamese Neural Networks
Instituto Politécnico Nacional(墨西哥国家理工学院)
该研究针对AI生成艺术可能抄袭原作的问题,采用带冻结CLIP编码器的孪生网络,构建配对图像数据集,实现99.4%测试准确率,证明语义-视觉嵌入的有效性。
2026-09-01 cs.AI cs.CV
Kappa Learning: A New Method for Measuring Similarity Between Educational Items Using Performance Data
Weizmann Institute of Science(魏茨曼科学研究所);The Center for Educational Technology(教育技术中心)
自适应学习系统中的项目排序通常依赖于大量的交互式评估项目(问题),这些项目被分析为技能或知识组件(KC)的层次结构。教育数据采掘技术可以用来分析学生的表现数据,以优化项目到KCs的映射。使用项目相似性度量将项目映射到KC的标准方法隐含假设学生在依赖于相同技能的项目上的表现应该相似。如果潜在特质(对基本技能的掌握)在学生的活动中相对固定,就像在测试的背景下一样,这一假设成立,这是这些措施被开发和应用的主要背景。然而,在以学习为目标的自适应学习系统中,并解决由多个子技能组成的K6数学等主题,这种假设并不成立。在本文中,我们提出了一种新的项目相似性度量,称为Kappa学习(KL),旨在解决这一差距。KL识别项目之间的相似性的假设下,学习,即学习者掌握的基本技能的变化,因为他们通过项目的进展。我们评估Kappa学习的数据来自一个教四年级分数的计算机化导师,专家标记为地面真理,并模拟数据。我们的研究结果表明,基于Kappa学习的聚类优于基于常用相似性度量(Cohen Kappa,Yule和Pearson)的聚类。
2018-12-20 cs.AI
Measuring the Similarity of Sentential Arguments in Dialog
University of California Santa Cruz(加州大学圣克鲁兹分校)
当人们谈论社会或政治话题时,类似的论点经常被不同的说话者在许多不同的对话中转述。辩论网站会对这类主题的论点进行精心策划的总结;这些总结通常由代表经常被改写的命题的句子列表组成,或者捕捉论点某个特定方面的本质的标签,例如道德或第二修正案。我们把这些经常被改写的命题称为论证面。像这些策划网站一样,我们的目标是在多个对话中归纳和识别论点,并制作摘要。但是,我们的目标是自动做到这一点。我们将这个问题分为两个步骤:首先从原始的社交媒体对话中提取表达论点的句子,然后根据它们之间的相似性对提取的论点进行排名。相似参数的集合用于表示参数方面。我们在这里表明,我们可以预测辩论面相似性,相关性平均为0.63,而人类背线平均为0.68,在三个辩论主题上,很容易击败几个合理的基线。
2017-09-06 cs.AI cs.CL
Semantic Similarity Score for Measuring Visual Similarity at Semantic Level
Beijing University of Posts and Telecommunications(北京邮电大学);Peng Cheng Laboratory(鹏城实验室)
针对传统图像相似性指标无法准确衡量语义通信中语义信息损失的问题,提出基于场景图生成与图匹配的SeSS指标,经人工标注微调后,在多类测试场景中验证了其衡量图像语义差异的有效性,可用于视觉语义通信系统评估。
2024-07-10 cs.AI cs.CV
Measuring Graph-to-Graph Semantic Similarity in Knowledge Graphs: An Empirical Evaluation of Knowledge Graph Embeddings
Sungkyunkwan University(成均馆大学)
本文通过构建语义匹配数据集,比较基于文本、结构和知识图谱嵌入的方法,提出EmbPairSim和AvgEmbSim评分函数,实验表明EmbPairSim在参数更少的情况下优于Sentence-BERT。
2026-07-01 cs.AI
Pose-Selective Max Pooling for Measuring Similarity
Johns Hopkins University(约翰斯·霍普金斯大学)
在本文中,我们处理的两个挑战,在实际的基于视频的人脸识别测量的主体身份的相似性-在不受控制的环境中的头部姿势的变化和处理视频的计算费用。由于逐帧特征均值无法表征帧之间的姿态多样性,因此我们定义并保留视频中的整体姿态多样性和接近度。然后,身份将是视频之间变化的唯一来源,因为即使在单个视频中,姿势也会发生变化。我们不是简单地使用所有帧,而是选择那些姿态点最接近包含该姿态点的K均值聚类的质心的人脸。然后,我们将视频表示为一组帧级深度人脸特征,而特征数量已从数百减少到K。由于视频表示可以很好地表示身份,现在我们将两个视频之间的主题相似性度量为两个特征包中所有可能对之间的最大相关性。在用于人脸验证的YouTube Face数据集的官方5,000个视频对上,我们的算法实现了与VGG-face相当的性能,该性能平均超过了所有帧的深度特征。其他视觉任务也可以受益于采用几何线索来提高深度特征的连续性的一般想法。
2016-11-14 cs.AI cs.CV cs.LG
Perceptual Similarity for Measuring Decision-Making Style and Policy Diversity in Games
National Yang Ming Chiao Tung University(国立阳明交通大学);Academia Sinica(中央研究院)
本文提出基于感知相似度的游戏决策风格度量方法,通过多尺度分析、感知核和交并比评估提升零样本风格分类精度,并验证其在多样性与AI演化分析中的价值。
2024-08-30 cs.AI cs.IR cs.LG
A density compensation-based path computing model for measuring semantic similarity
Guangxi Normal University(广西师范大学)
在基于边的语义相似性度量中,分类本体中两个概念之间的最短路径通常用于表示概念之间的语义距离。过去,边缘计数被认为是路径计算的默认方法,其简单、直观且计算复杂性低。然而,一个大型的词汇分类,如WordNet的概念之间的链接密度不规则,由于其广泛的领域,但。基于边计数的路径计算方法对这种非均匀性问题无能为力。在本文中,我们主张路径计算可以从基于边的相似性度量中分离出来,形成各种通用的计算模型。因此,为了解决大型分类本体中概念密度不均匀的问题,提出了一种基于概念局部区域密度补偿的路径计算模型,该路径模型将概念的局部区域密度看作是边的扩展,的路径,并将局部区域密度除以其深度转化为具有可调参数的基于边缘的路径补偿,这一思想已被证明与信息论是一致的。该模型是一个通用的路径计算模型,可以应用于各种基于边缘的相似性算法。实验结果表明,在Miller和Charles基准测试中,该路径模型将基于边的度量与人类判断的平均相关度从小于0.8提高到大于0.85,在效率上比动态本体中的信息量(IC)计算有很大优势,从而成功解决了分类本体的非一致性问题.
2015-06-03 cs.AI
Measuring the Measures: Discriminative Capacity of Representational Similarity Metrics Across Model Families
Department of Computer Science and Engineering, UC San Diego(计算机科学与工程系,UC San Diego);Department of Electrical and Computer Engineering, UC San Diego(电气与计算机工程系,UC San Diego);Department of Cognitive Science, UC San Diego(认知科学系,UC San Diego)
本文通过系统评估不同表征相似性度量的判别能力,揭示了软匹配在跨模型家族分离中的最优表现,为大规模模型和脑比较提供了度量选择依据。
2025-12-09 cs.AI cs.LG cs.NE
A Methodological Framework for Measuring Spatial Labeling Similarity
School of Statistics and Mathematics, Zhongnan University of Economics and Law(中南财经政法大学统计与数学学院);Department of Biomedical Engineering, Southern University of Science and Technology(南方科技大学生物医学工程系);School of Information Engineering, Zhongnan University of Economics and Law(中南财经政法大学信息工程学院);School of Life Science, Hangzhou Institute for Advanced Study, University of Chinese Academy of science(中国科学院大学杭州高等研究院生命科学学院)
针对现有空间标注相似性度量方法考量维度不全的问题,提出基于图属性分布差异计算的方法学框架及其实例SLAM,可更全面准确地评估空间转录组标注质量。
2025-05-20 cs.AI cs.LG
Measuring Error Alignment for Decision-Making Systems
University College London(伦敦大学学院)
本文针对AI决策系统与人类价值观对齐问题,提出误分类一致性和类别级错误相似性两个行为对齐指标,验证其与表征对齐指标的相关性及互补价值。
2024-12-31 cs.AI
Measuring Similarity in Causal Graphs: A Framework for Semantic and Structural Analysis
MGH Institute for Technology Assessment(MGH技术评估研究所);Harvard Medical School(哈佛医学院);Sloan School of Management(斯隆管理学院);Massachusetts Institute of Technology(麻省理工学院)
针对因果图比较中语义关系缺失的问题,本文构建语义与结构双重视角的分析框架,评估4种语义相似性指标和5种图核,并用2,000个生成式AI因果图验证多指标互补性。
2025-03-14 cs.AI cs.LG
Measuring Patient Similarities via a Deep Architecture with Medical Concept Embedding
Xi’an Jiaotong University(西安交通大学);Microsoft AI & Research(微软人工智能与研究院);HP Labs(惠普实验室);Weill Cornell Medical School(威尔康奈尔医学院)
评估成对患者之间的临床相似性是医疗信息学中的一个基本问题。适当的患者相似性度量可以实现各种下游应用,例如队列研究和治疗比较有效性研究。进行患者相似性研究的一个主要载体是电子健康记录(EHR),它通常是异构的,纵向的和稀疏的。虽然现有的研究表明,从电子病历学习病人的相似性是有用的,在解决实际的临床问题,其适用性是有限的,由于缺乏医学解释。此外,大多数先前的方法假设患者的基于向量的表示,这通常需要在某个时间段内聚合医疗事件。因此,时间信息将丢失。在本文中,我们提出了一个病人的相似性评估框架的基础上,纵向病人EHR的时间匹配。提出了两种有效的方法,无监督和监督,这两种方法都保持了EHR的时间属性。监督方案采用卷积神经网络架构,并学习具有医学概念嵌入的患者临床记录的最佳表示。对真实世界临床数据的实证结果表明,与基线相比有了实质性改善。我们提供我们的代码和样本数据以供进一步研究。
2019-02-09 cs.AI cs.LG stat.ML
Measuring Plagiarism in Introductory Programming Course Assignments
Higher Colleges of Technology(高等技术学院);Faculty of Computer Information Science(计算机信息科学学院);The University of Central Punjab(中旁遮普大学)
衡量编程作业中的剽窃行为是教育过程中的一项重要任务。本文讨论了在用C++编写的程序设计入门课程作业中剽窃及其检测的方法。一个小的语料库的作业是免费提供的。一个通用的框架来计算解决方案对之间的相似性,使用三个基于令牌的相似性方法作为特征,并预测解决方案是否是抄袭的。每个特征的重要性也被衡量,这反过来又对使用中的每个方法的有效性进行排名。最后,人工生成的数据集与原始数据相比改进了结果。我们在原始数据集和合成数据集上的F1得分分别为0.955和0.971。
2022-05-30 cs.AI cs.CL
Circles are like Ellipses, or Ellipses are like Circles? Measuring the Degree of Asymmetry of Static and Contextual Embeddings and the Implications to Representation Learning
IBM
人类对词相似度的判断已经成为评价词嵌入质量的一种流行方法。但它不能测量几何性质,如不对称性。例如,说“椭圆像圆”比“圆像椭圆”更自然。这种不对称性已经从一个名为单词唤起实验的精神分析测试中观察到,其中一个单词被用来回忆另一个单词。虽然有用,但这些实验数据在测量嵌入质量方面的研究严重不足。在本文中,我们使用三个著名的唤起数据集来深入了解嵌入的不对称编码。我们研究静态嵌入和上下文嵌入,如BERT。由于嵌入的动态特性,通常很难评估BERT的不对称性。因此,我们探测BERT的条件概率(作为一个语言模型)使用大量的维基百科上下文推导出一个理论上合理的贝叶斯不对称分数。结果表明,上下文嵌入在相似性判断上比静态嵌入表现出随机性,而在不对称性判断上表现良好,这与其在文本分类等“外部评价”上的强大表现相一致。不对称判断和贝叶斯方法提供了一个新的视角来评估上下文嵌入的内在评价,它的相似性评价的比较结束了我们的工作与表示学习的现状和未来的讨论。
2020-12-03 cs.AI cs.CL
Learning Job Titles Similarity from Noisy Skill Labels
Avature(Avature公司)
本文提出一种无监督表示学习方法,利用带噪技能标签训练职位名称相似度模型,有效避免了等价职位对训练数据的依赖,并在文本排序和职位规范化任务中表现出高效性。
2023-04-03 cs.AI cs.IR
Measuring LLM Sensitivity in Transformer-based Tabular Data Synthesis
本研究评估了Transformer-based TDS工具(GReaT和REaLTabFormer)对超参数的敏感性,发现REaLTabFormer在大型数据集上平衡了数据质量与计算成本,但运行时间仍较高。
2025-09-25 cs.AI cs.LG
Benchmark Transparency: Measuring the Impact of Data on Evaluation
The University of Birmingham(伯明翰大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出基准透明度框架,从六个维度量化数据分布对NLP模型评估的影响,并通过实验证明数据影响显著且可预测,可用于比较数据集和预测模型分布外泛化能力。
2024-03-31 cs.AI cs.CL
Czech News Dataset for Semantic Textual Similarity
NTIS – New Technologies for the Information Society(NTIS – 信息社会新技术研究中心);University of West Bohemia(西波希米亚大学);Charles University(查理大学)
本文描述了一种新的数据集,包括句子的语义相似性注释。数据来源于捷克语的新闻领域。我们详细描述了收集和注释数据的过程。该数据集包含138,556个人类注释,分为训练集和测试集。共有485名新闻专业学生参与了创作过程。为了增加测试集的可靠性,我们将注释计算为9个单独注释的平均值。我们通过测量内部和内部注释者的一致性来评估数据集的质量。除了协议编号外,我们还提供了所收集数据集的详细统计数据。最后,我们总结了我们的论文与基线实验,建立一个系统,预测句子的语义相似性。由于大量的训练注释(116 956),该模型的性能明显优于平均注释器(Person的相关系数为0.92与0.86)。
2022-01-21 cs.AI cs.CL cs.LG