Zeli Guan
PulseAugur coverage of Zeli Guan — every cluster mentioning Zeli Guan across labs, papers, and developer communities, ranked by signal.
Zeli Guan to publish research on graph-based representation learning for scientific literature
Multiple recent papers highlight Zeli Guan's work on graph neural networks for scientific literature representation and patent entity alignment. This suggests a focus on leveraging graph structures to understand complex data, with a specific application to scientific texts. Future work may involve publishing a dedicated paper on this topic.
Zeli Guan to explore adaptive clustering methods in federated learning
A recent paper by Zeli Guan introduces an adaptive OPTICS clustering method for federated learning, addressing challenges with non-IID data. This indicates a potential future direction for Zeli Guan's research to further develop or apply adaptive clustering techniques within federated learning frameworks, possibly for improved model aggregation or personalization.
Zeli Guan's recent work shows a strong focus on graph representation learning across diverse domains
Zeli Guan has recently published work utilizing graph neural networks for scientific literature representation, partitioning spatio-temporal data, and patent entity alignment. This demonstrates a consistent and strong interest in applying graph-based methods to solve problems in distinct areas, suggesting this will be a recurring theme in their research output.
-
新CWUTM模型在短文本中发现稀有主题方面表现出色
研究人员开发了一种名为CWUTM的新主题建模方法，旨在有效识别非平衡短文本数据集中稀有主题。该方法利用共现词网络捕获词语主题分布，并重新定义节点活动计算以提高对低频主题的敏感度。CWUTM旨在减轻偶然词语共现的影响，从而提高对新兴或意外主题的检测能力，尤其是在社交媒体平台上。该模型采用与LDA类似的方法进行Gibbs采样，以实现广泛的适用性。
-
新CasAug模型通过减少三元组重叠来增强关系抽取
研究人员开发了一个名为CasAug的新模型，旨在通过解决三元组重叠问题来改进自然语言处理中的关系抽取。该模型通过引入语义增强机制来增强潜在主语的语义理解。CasAug模型首先基于语义编码对潜在主语进行预分类，然后使用主语词典计算语义相似度。接着，它采用注意力机制为每个关系加权增强的语义，最终提高关系三元组抽取的准确性并减少冗余关系。
-
新方法融合图与文本进行专利实体对齐
本文介绍了一种新颖的科技专利知识图谱实体对齐方法。该方法利用图卷积网络结合BERT模型，融合了图的结构信息以及专利名称和描述等文本属性。这种多信息融合旨在提高实体对齐的准确性，在基准数据集上的表现优于现有方法（根据Hits@K评估指标）。
-
新方法改进公共安全时空数据划分
研究人员开发了一种名为IFL-LSTP的新方法，用于划分大规模公共安全时空数据。该方法旨在通过解决保持时空邻近性和在分布式系统中实现负载均衡方面的局限性，来改进此类数据的存储、管理和应用。该方法结合了时空划分模块（STPM）和图划分模块（GPM），后者利用图表示学习来创建平衡的分区，同时最大限度地减少信息损失。
-
新方法利用图神经网络进行科学文献表示
本文介绍了一种利用自适应特征和图神经网络学习科学文献语义表示的新方法。该方法同时考虑科学文献的全局和局部特征，采用图注意力机制，根据引用关系对文档特征进行加权和聚合。通过比较局部和全局语义表示之间的互信息，该方法旨在改进语义表示的学习，并在科学文献分类任务中取得了有竞争力的结果。
-
论文分析科学研究中的领域信息挖掘与主题演化
本文探讨了分析科学论文的方法，重点关注如何提取领域信息和追踪研究主题的演化。文章讨论了学习语义特征、挖掘领域信息和预测研究趋势的技术。其目标是通过理解跨学科研究的关系和进展，帮助研究人员更有效地应对日益增长的科学文献。
-
新的自适应OPTICS聚类方法增强了联邦学习
研究人员开发了一种新颖的联邦学习方法，以解决用户终端之间非独立同分布数据的挑战。该方法利用自适应OPTICS聚类算法，将参数调整过程建模为马尔可夫决策过程，从而无需手动干预即可找到最优聚类参数。所提出的方法已通过实验验证，证明了其在实现更好联邦聚合方面的有效性和优越性。