Information Fusion-2025年8月-最新出版论文12篇

主要观点总结

本文综述了近期关于基因组序列压缩、多模态教科书理解、大规模多标签文本分类、时序知识图上可解释外推的规则学习、时间序列分类的多视图学习、基于Span的句法特征融合在体感三元组提取中的应用、视听语音识别中的生成性纠错、泛锐化模型、智能医疗中基于联合学习的隐私保护异构多模态传感器数据融合、张量驱动人脸识别以及基于跨语言方面的情感分析等领域的最新进展。

关键观点总结

关键观点1: 基因组序列压缩的研究进展和挑战

介绍了一种基于MDL启发式融合的高效基因组序列压缩方法，该方法旨在识别用于数据集最大压缩的最佳k-mers（模式）集，并通过启发式算法特别是遗传算法和模拟退火算法与MDL框架相融合，以有效地导航k-mer模式的广泛搜索空间。与最先进的基因组压缩器的实验比较表明，该方法实现快速并且实现了低比特每基。

关键观点2: 多模态教科书理解的新模型

提出了一种新的多模态教科书理解模型，该模型通过检查静态跨模态图和关系结构的变化，提高了对教育中多模态内容的理解。为了解决这个问题，提出了跨模态多关系图推理（CMRGR）模型，它能够分析教科书中发现的视觉和文本组件之间的广泛交互，并能够通过利用上下文信号来动态调整其内部表示，以开发旨在教育应用的生成人工智能系统。

关键观点3: 大规模多标签文本分类的挑战和策略

针对大规模多标签文本分类（LMTC）的挑战，提出了一种新的动态标签对齐策略。该策略利用大型语言模型（LLM）进行动态标签对齐，旨在减轻动态标签集产生的问题。通过多步骤策略，旨在提高在LMTC任务上的性能。

关键观点4: 时序知识图上的可解释外推规则学习

提出了一种用于时序知识图上可解释外推的关系级语义驱动规则学习的方法。该方法将关系级语义融合到规则学习过程中，通过引入创新的异构关系图来学习关系级语义，并使用相对时间编码来捕获时间演化的周期和非周期方面。

关键观点5: 其他领域的最新研究进展和挑战

包括多视图学习在时间序列分类中的应用、基于Span的句法特征融合在体感三元组提取中的应用、视听语音识别中的生成性纠错、泛锐化模型、智能医疗中的隐私保护异构多模态传感器数据融合、张量驱动的人脸识别以及基于跨语言方面的情感分析等领域的最新进展进行了综述。

免责声明