A survey of embedding models of entities and relationships for knowledge graph completion
VinAI Research（VinAI研究院）
关于实体及其关系的真实世界事实的知识图谱（KG）是用于各种自然语言处理任务的有用资源。然而，因为知识图谱通常是不完整的，所以执行知识图谱完成或链接预测是有用的，即，预测不在知识图谱中的关系是否可能为真。本文综述了知识图谱的实体和关系嵌入模型，总结了在标准基准数据集上的最新实验结果，并指出了未来的研究方向。
2020-10-27 cs.AI cs.CL cs.IR
Multi-Modal Knowledge Graph Construction and Application: A Survey
Fudan University（复旦大学）；Huawei Cloud & AI（华为云与计算业务部）
近年来，知识工程的兴起，其主要特征是知识图谱的快速增长。然而，大多数现有的知识图谱是用纯符号表示的，这损害了机器理解现实世界的能力。知识图谱的多模态化是实现人级机器智能的必然关键步骤。这一努力的结果是多模态知识图谱（MMKG）。本文首先给出了多模态知识库的定义，然后对多模态任务和技术进行了综述。然后，我们系统地回顾了MMKG建设和应用的挑战，进展和机遇，并详细分析了不同解决方案的优势和劣势。我们完成这项调查与开放的研究问题有关的MMKG。
2022-12-18 cs.AI cs.CL cs.CV
What is Event Knowledge Graph: A Survey
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tencent（腾讯）
除了以实体为中心的知识图谱（KG）外，事件也是世界上一种重要的知识，这就引发了以事件为中心的知识表示形式的兴起，如事件KG（EKG）。它在许多下游应用中发挥着越来越重要的作用，例如搜索，问答，推荐，金融量化投资和文本生成。本文从历史、本体、实例和应用四个方面对心电图进行了全面的综述。具体来说，表征心电图彻底，我们专注于它的历史，定义，图式归纳，收购，相关的代表性图形/系统，和应用。研究了其发展过程和趋势。我们进一步总结了前瞻性的方向，以促进未来的研究心电图。
2022-06-13 cs.AI cs.CL cs.LG
Explainable Autonomous Robots: A Survey and Perspective
Osaka University（大阪大学）；The University of Electro-Communications（电气通信大学）
先进的通信协议对于实现自主机器人与人类的共存至关重要。因此，解释能力的发展是迈向自主机器人的紧迫的第一步。本调查概述了机器学习研究中讨论的各种类型的“可解释性”。然后，我们讨论在自主机器人的背景下“可解释性”的定义（即，可解释的自主机器人）通过探索问题“什么是解释？“我们进一步根据这一定义进行了研究调查，并提出了一些相关的主题，以供未来研究。
2021-05-06 cs.AI
Strategic Decisions Survey, Taxonomy, and Future Directions from Artificial Intelligence Perspective
University of Melbourne（墨尔本大学）；Institution of Engineers Australia（澳大利亚工程师协会）；Tsinghua University（清华大学）；University of Luxembourg（卢森堡大学）
战略决策总是具有挑战性的，因为它本质上是不确定的，模糊的，有风险的，复杂的。这是可能性的艺术。我们开发了一个系统的分类决策框架，包括6个基地，18个分类，和54个框架。我们的目标是奠定计算基础，可以捕捉一个战略问题的全面景观。与传统模型相比，它涵盖了处理确定性、不确定性、复杂性、模糊性、混沌性和无知性的非理性、非理性和理性框架。
2022-10-22 cs.AI
Linear Temporal Public Announcement Logic: a new perspective for reasoning about the knowledge of multi-classifiers
Institute for Research in Fundamental Sciences（基础科学研究所）；University of Tehran（德黑兰大学）；Sharif University of Technology（谢里夫理工大学）
本文提出了一种在分类过程中提取知识的形式化转换系统模型LTPAL。该模型结合了公告逻辑（PAL）和线性时序逻辑（LTL）。在该模型中，首先，我们考虑捕获单帧数据的分类器。接下来，我们考虑了用于数据流数据输入的分类器。最后，我们形式化的自然语言的LTPAL特性与视频流目标检测的例子。
2022-05-24 cs.AI
A Perspective on Confidence and Its Use in Focusing Attention During Knowledge Acquisition
Stanford University（斯坦福大学）
我们提出了一个表示部分信心的信念和偏好是一致的原则，决策理论。代表性的基本见解是，如果一个人对概率或效用评估不完全有信心，那么评估的额外建模可能会改善与之相关的决策。我们展示了如何使用传统的决策分析方法来平衡额外建模的好处与相关成本。该方法可以在知识获取过程中使用，以将知识工程师或专家的注意力集中在决策模型中值得进一步细化的部分上。
2013-03-27 cs.AI
Where Common Knowledge Cannot Be Formed, Common Belief Can -- Planning with Multi-Agent Belief Using Group Justified Perspectives
The University of Melbourne（墨尔本大学）；The University of Queensland（昆士兰大学）
本文提出群体合理视角（GJP）模型，扩展JP模型以处理分布式和共同信念，通过改编基准实验证明其在处理其他工具无法解决的规划问题上的高效性与表达能力。
2025-10-17 cs.AI
Are LLMs Smarter Than Chimpanzees? An Evaluation on Perspective Taking and Knowledge State Estimation
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；University of Science and Technology of China（中国科学技术大学）；China University of Mining and Technology（中国矿业大学）
本文评估LLM在预测角色下一步行动及检测角色不应具备的知识能力，发现当前最先进的LLM在两项任务上表现接近随机，远低于人类。
2026-03-24 cs.AI
Do LLMs Exhibit Coherent Knowledge Structures in Mathematical Reasoning? A Perspective from Knowledge Space Theory
ETH Zürich（苏黎世联邦理工学院）；ETH AI Center（ETH人工智能中心）
本研究基于知识空间理论构建框架，对比8款LLM与人类学习者，发现LLM无类人连贯知识结构，彼此间知识结构也不一致，且结构缺陷难以被常规评估检测。
2026-09-07 cs.AI
Survey of Consciousness Theory from Computational Perspective
Princeton University（普林斯顿大学）；Imperial College London（帝国理工学院）；University of Michigan（密歇根大学）
本文从计算视角综述了信息论、量子物理、认知心理学、生理学和计算机科学等领域的意识理论，并探讨了意识评估指标及计算模型具备意识的可能性，为构建通用人工智能提供基础。
2023-09-18 cs.AI q-bio.NC
Knowledge-aware Zero-Shot Learning: Survey and Perspective
Zhejiang University（浙江大学）；University of Oxford（牛津大学）；The University of Edinburgh（爱丁堡大学）
零样本学习（Zero-shot learning，缩写为ZRL），其目标是使用外部知识（也称为“零样本学习”）预测在训练期间从未出现过的类。侧信息）已经被广泛研究。本文从外部知识的角度对外语学习进行了文献综述，对外语学习中的外部知识进行了分类，对各种外部知识的研究方法进行了综述，并对不同外部知识进行了比较。通过文献回顾，我们进一步讨论和展望了符号知识在解决机器学习和其他机器学习样本不足问题中的作用。
2021-05-10 cs.AI cs.LG
Exploring Knowledge Transfer in Evolutionary Many-task Optimization: A Complex Network Perspective
本研究从复杂网络视角探究进化多任务优化中的知识转移，提出用复杂网络分析知识转移动态的框架，发现相关网络具社区结构有向图等特征，验证了融合复杂网络优化知识转移的可行性。
2024-07-12 cs.AI
Reliable AI Needs to Externalize Implicit Knowledge: A Human-AI Collaboration Perspective
Department of Computer Science, Aalborg University, Aalborg, Denmark（奥胡斯大学计算机科学系）；Department of Informatics, University of Oslo, Oslo, Norway（奥斯陆大学信息系）；School of Computing, Macquarie University, Sydney, Australia（麦考瑞大学计算科学学院）
本文从人机协作视角提出，可靠AI需要基础设施将隐性知识外化为可验证的形式，通过知识对象（KOs）实现人类验证，从而提升可靠性。
2026-05-24 cs.AI
Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test
Beihang University（北京航空航天大学）
与真实场景下的闭环测试相比，自动驾驶虚拟测试具有早期安全性和可靠性保证的优点，近年来受到越来越多的关注。虽然自动驾驶数据集和工具集的可用性和质量是诊断自动驾驶系统瓶颈和提高系统性能的前提，但由于数据集和工具集的多样性和隐私性，收集和表征它们的视角和质量不仅耗时而且越来越具有挑战性。本文首先提出了自动驾驶测试（SLA）的系统文献综述方法，然后概述了2000年至2020年现有的公开数据集和工具集。通过35个自动驾驶测试工具集和70个测试数据集，给出了相关场景的定量结果、观点和趋势推断以及建议。据我们所知，我们是第一个使用基于SLA的调查方法对数据集和工具集进行这种最新的实证调查。我们的多方面分析和新发现不仅揭示了我们认为对系统设计者，从业者和用户有用的见解，而且还可以促进更多关于数据集和工具集的自动驾驶调查系统调查分析的研究。
2021-06-30 cs.AI cs.RO
KCD: Knowledge Walks and Textual Cues Enhanced Political Perspective Detection in News Media
University of Virginia（弗吉尼亚大学）
政治观点检测已成为一项日益重要的任务，可以帮助打击回音室和政治极化。以往的方法一般集中在利用文本内容来识别立场，而他们没有理由与背景知识或利用丰富的语义和句法文本标签的新闻文章。鉴于这些限制，我们提出了KCD，一个政治观点检测方法，使多跳知识推理，并将文本线索作为段落级标签。具体来说，我们首先在外部知识图谱上生成随机游走，并将其与新闻文本表示相融合。然后，我们构建了一个异构的信息网络，联合模型的新闻内容以及语义，句法和实体线索的新闻文章。最后，我们采用关系图神经网络进行图级表示学习，并进行政治观点检测。大量的实验表明，我们的方法优于国家的最先进的方法在两个基准数据集。我们进一步研究了知识散步和文本线索的影响，以及它们如何有助于我们的方法的数据效率。
2022-05-16 cs.AI cs.LG
Test-time Scaling of LLMs: A Survey from A Subproblem Structure Perspective
Department of Computer Science and Engineering, The Pennsylvania State University（宾夕法尼亚州立大学计算机科学与工程系）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
该综述从子问题分解与拓扑结构视角，统一梳理了测试时扩展大语言模型的各类方法，分析了不同技术的优劣并指出未来研究方向。
2025-11-01 cs.AI cs.CL
Diffusion-Based Visual Art Creation: A Survey and New Perspectives
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本综述从艺术与技术双重视角探讨了基于扩散模型的视觉艺术创作领域，总结了其发展、技术挑战与应用，并展望了生成式AI改变艺术创作范式及增强人类创造力的未来方向。
2024-08-22 cs.AI cs.CV
Survey on Graph Neural Network Acceleration: An Algorithmic Perspective
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tsinghua University（清华大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Monash University（莫纳什大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
图神经网络（GNNs）是近年来的研究热点，并在各种应用中得到广泛应用。然而，随着更庞大的数据和更深入的模型的使用，毫不奇怪，迫切需要加速GNN以提高执行效率。在本文中，我们从算法的角度对GNNs的加速方法进行了全面的调查。我们首先提出了一个新的分类法，现有的加速方法分为五类。在分类的基础上，系统地讨论了这些方法，并强调了它们之间的相互关系。接下来，我们从这些方法的效率和特点方面进行了比较。最后，我们对未来的研究提出了一些有希望的前景。
2022-04-24 cs.AI cs.LG
Exploring Feature-based Knowledge Distillation for Recommender System: A Frequency Perspective
East China Normal University（华东师范大学）
该研究从频域视角分析推荐系统的基于特征的知识蒸馏，指出均等权重分配会忽视重要知识，提出轻量级知识重加权方法FreqD，实验证明其显著优于现有最优知识蒸馏方法。
2025-01-13 cs.AI cs.IR cs.LG
A Survey on Large Language Model Hallucination via a Creativity Perspective
Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Chinese Academy of Science（中国科学院大学）；International Digital Economy Academy, IDEA Research（国际数字经济学院IDEA研究院）
本综述从创造力视角探讨大型语言模型幻觉的潜在价值，系统回顾了其分类、负面影响及在发散与收敛思维框架下转化为创造力的方法，并指明了未来研究方向。
2024-02-02 cs.AI cs.HC
What Are Tools Anyway? A Survey from the Language Model Perspective
Carnegie Mellon University（卡内基梅隆大学）；Shanghai Jiao Tong University（上海交通大学）
本文从语言模型视角统一了工具的定义，系统回顾了工具使用场景与方法，并实证评估了不同工具方法在多个基准上的计算效率与性能增益，指出了未来挑战。
2024-03-18 cs.AI cs.CL
Assessing Knowledge Editing in Language Models via Relation Perspective
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, CAS（中国科学院自动化研究所）；Kunming University of Science and Technology（昆明理工大学）；Beijing Institute of Technology（北京理工大学）
本文从关系视角评估语言模型的知识编辑，构建新基准RaKE，发现现有方法编辑关系困难，并证实关系知识存储于FFN和注意力层，为未来方法提供实验支持。
2023-11-15 cs.AI cs.CL
On the Orthogonality of Knowledge Distillation with Other Techniques: From an Ensemble Perspective
为了将最先进的神经网络投入实际使用，有必要设计一个模型，该模型在测试集上的资源消耗和性能之间具有良好的权衡。许多研究人员和工程师正在开发能够更有效地训练或设计模型的方法。开发一个有效的模型包括几个策略，如网络架构搜索，修剪，量化，知识蒸馏，利用廉价的卷积，正则化，还包括任何工艺，导致更好的性能-资源权衡。当将这些技术结合在一起时，如果性能改进的一个来源不与其他来源冲突，那将是理想的。我们称这种性质为模型效率中的正交性。在本文中，我们专注于知识蒸馏和证明知识蒸馏方法是正交的其他效率提高方法的分析和经验。分析上，我们认为知识蒸馏功能类似于集成方法，自举聚合。本文从知识蒸馏的隐含数据增强性的角度给出了分析解释。经验上，我们验证了知识蒸馏作为一个强大的装置，实际部署的有效神经网络，并介绍了如何将其与其他方法有效地。
2020-09-14 cs.AI cs.LG
A Functional Perspective on Knowledge Distillation in Neural Networks
本文从功能角度研究知识蒸馏的压缩能力与知识传递，通过实验协议分析不同数据模态下的知识转移机制，发现知识蒸馏更像数据依赖的正则化方法，存在负向非对称转移风险。
2026-03-16 cs.AI cs.LG
Image Segmentation with Large Language Models: A Survey with Perspectives for Intelligent Transportation Systems
Department of Computer Science, Iowa State University, Ames, IA, USA（Iowa State University）；Department of Civil, Construction and Environmental Engineering, Iowa State University, Ames, IA, USA（Iowa State University）
本文综述了LLM增强图像分割在智能交通系统中的应用，分类现有方法，并指出实时性与安全性挑战，强调可解释、以人为中心的AI是部署前提。
2025-09-05 cs.AI cs.CV
Cultural Perspectives and Expectations for Generative AI: A Global Survey Approach
Google Research（谷歌研究院）；Google（谷歌）；Google DeepMind（谷歌DeepMind）
本文通过全球调查探讨生成式人工智能在文化代表中的挑战与解决方案，提出参与式方法和文化敏感框架以促进文化多样性。
2026-03-05 cs.AI cs.CL
Learning Robust Data Representation: A Knowledge Flow Perspective
University of Georgia（佐治亚大学）；Indiana University–Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）；Adobe Research（Adobe研究院）
对于各种学习问题，总是需要学习鲁棒的视觉表示;然而，这种学习和维护过程通常会受到噪声，不完整性或知识域不匹配的影响。因此，鲁棒的表示学习通过去除噪声特征或样本，补充不完整的数据，并减轻分布差异成为关键。沿着这条研究路线，低秩建模已被广泛应用于解决表示学习的挑战。本调查从知识流的角度涵盖了这一主题：（1）强大的知识恢复，（2）强大的知识转移，（3）强大的知识融合，围绕几个主要的应用程序。首先，我们提供了一个统一的公式，强大的知识发现给定的单一数据集。其次，我们讨论了具有不同知识流的多个数据集的鲁棒知识转移和融合，然后是实际挑战，模型变化和备注。最后，我们强调了未来的研究不完整，不平衡，大规模数据分析的鲁棒知识发现。这将有利于AI社区从文献综述到未来方向。
2020-04-26 cs.AI cs.LG stat.ML
A Survey on Data-Centric AI: Tabular Learning from Reinforcement Learning and Generative AI Perspective
Arizona State University（亚利桑那州立大学）；The University of Kansas（堪萨斯大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文综述以数据为中心的表格学习，系统梳理利用强化学习和生成式 AI 进行特征选择与特征生成的方法、应用、优势、局限及未来方向。
2025-02-16 cs.AI cs.LG
Knowledge-augmented Deep Learning and Its Applications: A Survey
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research AI（IBM人工智能研究院）
深度学习模型虽然在过去几年中在许多不同的领域取得了巨大的成功，但通常是数据饥渴型的，在看不见的样本上表现不佳，并且缺乏可解释性。目标领域中通常存在各种先验知识，它们的使用可以缓解深度学习的不足。为了更好地模仿人类大脑的行为，已经提出了不同的高级方法来识别领域知识并将其集成到深度模型中，以实现数据高效、可推广和可解释的深度学习，我们将其称为知识增强的深度学习（KADL）。在本文中，我们定义了KADL的概念，并介绍了它的三个主要任务，即，知识识别、知识表示和知识集成。不同于现有的调查是集中在一个特定类型的知识，我们提供了一个广泛而完整的领域知识及其表示的分类。基于我们的分类法，我们提供了一个系统的审查现有的技术，不同的现有作品，调查集成方法不可知论的知识分类。本调查涵盖了现有的工作，并提供了在知识增强深度学习的一般领域的研究鸟瞰图。对大量论文的深入和批判性的评论不仅有助于了解当前的进展，而且还有助于确定知识增强深度学习研究的未来方向。
2022-11-30 cs.AI cs.LG
Does Knowledge Localization Hold True? Surprising Differences Between Entity and Relation Perspectives in Language Models
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；NLPR
本文通过知识编辑和因果分析发现语言模型中实体知识与关系知识不能直接迁移，且关系知识显著存储于注意力模块，揭示了知识存储的多面性。
2024-09-01 cs.AI cs.CL
Knowledge-enhanced Multi-perspective Video Representation Learning for Scene Recognition
Shandong University（山东大学）；Ant Group（蚂蚁集团）
针对视频场景识别任务现有方法视角单一的问题，提出融合时间与非时间视角的双流自蒸馏框架，并设计知识增强的特征融合与标签预测方法，经真实数据集实验验证有效。
2024-01-09 cs.AI cs.CV cs.MM
A Survey of Automatic Prompt Engineering: An Optimization Perspective
School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；East China Normal University（华东师范大学）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）
本文从优化理论视角首次全面综述自动提示工程，将其形式化为提示空间上的最大化问题并系统分类方法，为研究者和从业者建立框架，同时指出未充分探索的前沿方向。
2025-02-17 cs.AI cs.LG
SurveyLM: A platform to explore emerging value perspectives in augmented language models' behaviors
Panalogy Lab（帕纳洛吉实验室）
本文提出SurveyLM平台，通过传统调查和实验方法系统评估增强型语言模型在复杂社会情境中的涌现对齐行为，并利用模型自身反馈优化实验设计，促进社会AI系统的负责任开发。
2023-08-01 cs.AI cs.SI econ.GN
A Survey on Music Generation from Single-Modal, Cross-Modal, and Multi-Modal Perspectives
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Innovation Center of Yangtze River Delta, Zhejiang University（浙江大学长三角创新中心）
本文综述了多模态音乐生成的研究现状，探讨了多模态数据对齐、系统评估方法及未来研究方向。
2025-04-20 cs.AI cs.MM cs.SD
The Race between Agentic AI Capabilities and Data Quality Control in Online Surveys
该研究针对在线调查的注意力检查防线，探究智能体AI完成调查并通过检查的能力，分析其结构漏洞并提出DOM元数据混淆的防御策略，评估相关模型以平衡不同研究者的需求。
2026-09-01 cs.AI cs.CY
Large Language Model Bias Mitigation from the Perspective of Knowledge Editing
Zhejiang University（浙江大学）；Angelalign Technology Inc.（时代天使科技有限公司）
本文从知识编辑视角提出新基准 BiasKE 和细粒度去偏方法 FAST，通过校准个体偏见知识实现可编辑公平性，在保持知识能力的同时显著超越现有去偏基线。
2024-06-29 cs.AI cs.CL
A Selective Survey on Versatile Knowledge Distillation Paradigm for Neural Network Models
Samsung Research, Samsung Electronics Co., Ltd.（三星电子株式会社三星研究院）
本文旨在提供一个有选择的调查知识蒸馏（KD）框架的研究人员和从业人员利用它开发新的优化模型在深神经网络领域。为此，我们简要介绍了知识蒸馏和一些相关的工作，包括学习使用特权信息（LUPI）和广义蒸馏（GD）。尽管基于师生体系结构的知识蒸馏最初被设计为模型压缩技术，但它在各种框架上有着广泛的应用。本文从知识蒸馏的三个重要组成部分：蒸馏知识与流失、师生范式和蒸馏过程这一假设出发，对知识蒸馏的特征进行了考察。此外，我们调查的多功能性的知识蒸馏通过研究其直接应用程序和它的使用与其他深度学习范例相结合。最后，我们提出了一些未来的工作在知识蒸馏，包括可解释的知识蒸馏的性能增益的分析研究和自监督学习，这是一个热门的研究课题，在深度学习社区。
2020-11-30 cs.AI cs.LG
Survey for Landing Generative AI in Social and E-commerce Recsys -- the Industry Perspectives
LinkedIn（领英）；Amazon（亚马逊）；Tiktok（抖音国际版）；Rutgers University（罗格斯大学）；Microsoft（微软）
本文从行业视角系统综述了生成式AI在社交与电商推荐系统中的落地实践，涵盖系统与AI基础、解决方案框架及实际挑战，旨在为业界应用和未来研究提供指导。
2024-06-10 cs.AI cs.IR
Metaverse Survey & Tutorial: Exploring Key Requirements, Technologies, Standards, Applications, Challenges, and Perspectives
Howard University（霍华德大学）
本文全面综述元宇宙的概念、架构、关键技术、标准、行业应用、挑战与未来方向，为理解其变革性影响提供系统性参考。
2024-05-07 cs.AI cs.HC
What's the Situation with Intelligent Mesh Generation: A Survey and Perspectives
Dalian University of Technology（大连理工大学）；Jilin University（吉林大学）；State University of New York at Stony Brook（纽约州立大学石溪分校）
本文系统综述了113种智能网格生成（IMG）方法，基于关键技术、输出单元和输入数据提出三种分类法，并指出了未来的研究方向与挑战。
2023-05-23 cs.AI cs.CG
A Comprehensive Survey on Enterprise Financial Risk Analysis from Big Data and LLMs Perspective
Southwestern University of Finance and Economics（西南财经大学）；Chengdu University（成都大学）；Universität Hamburg（汉堡大学）；The University of Hong Kong（香港大学）；Hunan University of Technology and Business（湖南工业大学）；Xiangjiang Laboratory（湘江实验室）；Emory University（埃默里大学）
本文从大数据和大语言模型视角综述企业财务风险分析，系统梳理现有方法，总结研究方法与关键发现，指出当前局限并提出未来研究方向。
2026-03-25 cs.AI cs.LG q-fin.RM
Image-text Retrieval: A Survey on Recent Research and Development
Soochow University（苏州大学）；Shandong University（山东大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
近年来，跨模态图文检索由于其良好的研究价值和广泛的实际应用前景而受到研究界的广泛关注。它是为查询来自一种模态而检索库来自另一种模态的场景而设计的。本文从四个方面对ITR方法进行了全面和最新的调查。通过将ITR系统分解为两个过程：特征提取和特征对齐，从这两个角度总结了ITR方法的最新进展。在此基础上，引入了以效率为中心的ITR制度研究作为第三个视角。为了与时俱进，我们还提供了跨模态预培训ITR方法的开创性概述作为第四个视角。最后，我们概述了ITR的常见基准数据集和评估指标，并对代表性的ITR方法进行了准确性比较。文章最后还讨论了一些重要的、但研究较少的问题。
2022-11-18 cs.AI cs.IR
A Survey of Multimodal Large Language Model from A Data-centric Perspective
Hong Kong University of Science and Technology（香港科技大学）；Apple（苹果公司）；Peking University（北京大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Science and Technology of China（中国科学技术大学）
本文从数据中心视角系统综述多模态大语言模型，涵盖数据准备、评估方法及未来方向，旨在推动该领域研究。
2024-07-18 cs.AI cs.CL cs.CV
Weight Initialization Techniques for Deep Learning Algorithms in Remote Sensing: Recent Trends and Future Perspectives
University of Manouba（马努巴大学）；Taibah University（塔伊巴大学）；Al-Baha University（巴哈大学）；University of Sfax（斯法克斯大学）
在过去的十年中，一些研究工作集中在许多应用领域提供新颖的深度学习方法。然而，很少有人研究深度学习的权重初始化过程，尽管它在提高深度学习性能方面的重要性已经被揭示。这可以通过为这个有前途的研究领域提出新技术的技术困难来证明。本文对遥感深度算法中的权值初始化技术进行了综述。这项调查将有助于从业人员推动这一有前途的领域的进一步研究。据我们所知，本文构成了第一篇关注深度学习模型权重初始化的调查。
2021-02-13 cs.AI cs.LG
Survey and Perspective on Social Emotions in Robotics
Osaka University（大阪大学）；The University of Electro-Communications（电气通信大学）
本文综述了机器人社会情感的研究进展。在机器人技术中，对情感的研究已经进行了很长一段时间，包括对情感的识别，表达和基本机制的计算建模的研究。研究已经根据著名的心理学发现，如类别和维度理论。许多研究都是基于这些基本理论，只涉及基本的情绪。然而，社会情绪，也被称为更高层次的情绪，已经在心理学中进行了研究。我们相信，这些更高层次的情感值得在下一代具有社会意识的机器人机器人中加以追求。在这篇综述论文中，我们总结了心理学和神经科学中关于社会情绪的研究结果，以及迄今为止对机器人社会情绪研究的调查。此后，对机器人的社会情感的实现的研究方向进行了讨论。
2022-01-14 cs.AI cs.RO
Explainable Recommendation: A Survey and New Perspectives
Rutgers University（罗格斯大学）；Tsinghua University（清华大学）
可解释的推荐试图开发不仅能生成高质量推荐而且能生成直观解释的模型。解释可以是事后的，也可以直接来自可解释的模型（在某些上下文中也称为可解释或透明模型）。可解释的推荐试图解决为什么的问题：通过向用户或系统设计者提供解释，它帮助人们理解为什么某些项目被算法推荐，其中人类可以是用户或系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。它也便于系统设计人员更好地进行系统调试。近年来，大量的可解释的推荐方法-特别是基于模型的方法-已被提出并应用于现实世界的系统。本文对可解释性推荐研究进行了综述。我们首先强调了可解释推荐在推荐系统研究中的地位，将推荐问题分为5 W，即，什么，何时，何人，何地，为何然后，我们从三个方面对可解释性推荐进行了全面的调查：1）我们提供了一个可解释性推荐的时间研究时间轴。2)我们提供了一个二维分类现有的可解释的推荐研究。3)我们总结了如何解释推荐适用于不同的推荐任务。我们还专门用一章来讨论更广泛的IR和AI/ML研究中的解释视角。我们通过讨论潜在的未来方向来结束调查，以促进可解释推荐研究领域及其他领域。
2020-09-13 cs.AI cs.IR cs.MM
Factory Operators' Perspectives on Cognitive Assistants for Knowledge Sharing: Challenges, Risks, and Impact on Work
Delft University of Technology（代尔夫特理工大学）
本文通过两年纵向研究，考察工厂中部署认知助手对知识共享的影响，发现其虽能提升效率，但也带来监控、隐私、知识贡献负担及操作员与管理者之间的紧张关系等挑战。
2024-09-30 cs.AI cs.HC
Seeking Neural Nuggets: Knowledge Transfer in Large Language Models from a Parametric Perspective
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Hong Kong（香港大学）；Microsoft Azure AI（微软 Azure 人工智能）
本文从参数化视角研究大语言模型间的知识迁移，利用基于敏感度的参数提取与对齐，并通过LoRA将大模型知识注入小模型，在四个基准上验证了有效性。
2024-05-08 cs.AI cs.CL cs.LG
Knowledge Learning with Crowdsourcing: A Brief Review and Systematic Perspective
Nanjing University of Science and Technology（南京理工大学）
大数据具有海量、高速、多样性、价值稀疏性和不确定性等特点，使得从大数据中获取知识充满挑战。随着众包的出现，可以按需获得多样化的信息，从而使群体的智慧易于参与，以促进知识学习过程。在过去的十三年里，人工智能社区的研究人员做出了巨大的努力，以消除从人群中学习的障碍。这篇集中的调查论文从数据、模型和学习过程三个维度的系统视角全面回顾了众包学习的技术进展。除了回顾现有的重要工作外，本文还特别强调在每个维度上提供一些有希望的蓝图，并讨论我们过去研究工作的经验教训，这将为新的研究人员照亮道路，并鼓励他们做出新的贡献。
2022-06-19 cs.AI cs.HC cs.LG
Knowledge Mechanisms in Large Language Models: A Survey and Perspective
Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Alibaba Group（阿里巴巴集团）
该文从知识利用与演化的新颖分类综述大语言模型知识机制，探讨其学到的知识、参数知识脆弱性及暗知识问题，旨在助力理解LLMs知识并为未来研究提供见解。
2024-12-04 cs.AI cs.CL cs.CV
A Survey on Graph Neural Networks for Knowledge Graph Completion
Indian Institute of Technology Delhi（印度理工学院德里分校）
知识图谱越来越多地用于各种下游任务，如问答和信息检索。然而，知识图谱往往是不完整的，从而导致性能不佳。因此，人们对知识库完成的任务很感兴趣。最近，图神经网络已被用于捕获固有地存储在这些知识图谱中的结构信息，并已被证明可以在各种数据集上实现SOTA性能。在这项调查中，我们了解所提出的方法的各种优点和缺点，并试图找到新的令人兴奋的研究问题，在这一领域，需要进一步调查。
2020-07-24 cs.AI cs.CL cs.LG
Knowledge-aware Document Summarization: A Survey of Knowledge, Embedding Methods and Architectures
The University of Adelaide（阿德莱德大学）；Macquarie University（麦考瑞大学）；JD.COM Silicon Valley Research Center（京东硅谷研究中心）
在过去的几十年里，知识感知方法已经推动了一系列自然语言处理应用。近年来，作为自然语言处理应用之一的文档摘要领域，知识的应用越来越受到人们的关注。以前的工作报告说，知识嵌入式文档摘要擅长生成卓越的摘要，特别是在信息量，连贯性和事实的一致性。本文旨在提出第一个系统的调查，为国家的最先进的方法，将知识嵌入到文档摘要。特别是，我们提出了新的分类法概括知识和知识嵌入下的文件摘要视图。我们进一步探讨了如何在文档摘要模型的嵌入学习架构中生成嵌入，特别是深度学习模型。最后，我们讨论了这一主题的挑战和未来的发展方向。
2022-07-09 cs.AI cs.CL cs.LG
Survey of Computerized Adaptive Testing: A Machine Learning Perspective
本文从机器学习角度综述了计算机自适应测试，探讨了测量模型、题目选择算法、题库构建与测试控制等核心问题，分析了当前方法的优劣与挑战，旨在推动更高效、公平的自适应测试系统。
2026-03-15 cs.AI cs.CY cs.IR
