BoBolilla's site

Appearance

索引 ​

细粒度分类 ​

Fine-Grained Visual Classification via Internal Ensemble Learning Transformer ​

IEEE Transactions on Multimedia (TMM) ,2023

  • 多头注意力弱学习器集成（投票机制）--->解决层内头间性能不均衡，识别图像更多的局部关键部位，找到重要的关键的特征
  • 跨层融合抑制噪声，增强特征表达，在于如何更好的跨层融合。 --->层间融合性能问题
  • 动态调整各层的token选择数量，增强表现好的层，抑制表现差的层

TransIFC Invariant Cues-Aware Feature Concentration Learning for Efficient Fine-Grained Bird Image Classification ​

IEEE Transactions on Multimedia (TMM) ,2023

  1. 找关键特征--->只要输出特征中区分度最大的前K个特征：计算每个特征之间的相似度，求和倒数，分数大说明区分度更大，不普通；分数小说明这个特征没有说明特色，不重要。
  2. 低层（包含更多细节）和高层（包含更多语义）的信息融合。
  3. 鸟类图像中的不变线索（除了眼睛鸟喙等还包括长距离语义关系，翅膀&鸟喙位置关系）和细微差异。

推荐 ​

Sequential Recommendation ​

已知用户的、长期积累的、按时间顺序排列的完整行为序列，来预测该用户下一个可能感兴趣的项目。它旨在建模用户长期且稳定的个性化兴趣。

✍️Pattern-wise transparent sequential recommendation ​

IEEE TKDE，2025，Kun Ma; Cong Xu; Zeyuan Chen; Wei Zhang

保证性能同时提高可解释性：从单一项目解释（point-level）到多个连续项目组合（union-level）解释目标项目（提高精度，解释能力更强）；使用概率嵌入（表达更丰富）的方式建模项目，再使用逻运算组合项目，保证项目组合内部的可解释性（每个物品的贡献值）；没有联合集数据，加入权重偏执让自适应学习。

阐述一个简单模型，思路清晰，实验完整，可以学习写作方式

✍️❤️🎏Modeling dynamic item tendency bias in sequential recommendation with causal intervention ​

IEEE TKDE ，2024，Modeling dynamic item tendency bias in sequential recommendation with causal intervention

对于推荐序列提出了一种新偏差"动态项目倾向偏差"，使用因果干预方法取出混杂干扰因素，并合理利用动态倾向中有利的部分

引言我很喜欢，可以模仿，适合“提出一个新问题并解决”这样的文章写作

以及rw，当前该方向有哪几类并展开解释，很标准感觉，适合仿写

图表解释

Preference-consistent knowledge distillation for recommender system ​

IEEE TKDE，2024，Zhangchi Zhu; Wei Zhang

加入两个正则化使学生模型和教师模型之间在投影前特征偏好一致

Session-based Recommendation ​

输入是用户在当前一次交互“会话”中的匿名行为序列。

短期性、实时性、匿名性、动态演化性

Explainable Session-based Recommendation via Path Reasoning ​

IEEE TKDE, 2024, Yang Cao; Shuo Shang; Jun Wang; Wei Zhang

可解释推荐、基于会话的推荐、分层强化学习（融合市面上方法的优点）、知识图谱（针对起点单一找多个起点）；利用大模型api提取图像特征（额外信息）加入到训练中；

多个模块合并形成一个大的模块，如何进行实验（总体、消融、参数、解释）可参考这一篇

other ​

UNDERSTANDING GENERATIVE RECOMMENDATION WITH SEMANTIC IDS FROM A MODEL-SCALING VIEW ​

SID-based vs LLM-as-RS 从模型缩放角度：

  1. SID-based方法因为LLM嵌入提取到离散的SID中会丢弃大量的语义信息，所以会出现模型规模增大但性能却饱和无法提升的现象
  2. 证明其优越缩放属性LLM-as-RS，能在相同数据下提升性能高达20%，且证明了LLMs可以学CF，提出在资源充足的情况下这个方法更有前景

后面的补充实验很多，可以模仿实验

概念: scaling-law Collaborative Filtering

知识追踪 ​

🎏Rebalancing Discriminative Responses for Knowledge Tracing ​

ACM TOIS，2025， Jiajun Cui; Hong Qian; Chanjin Zheng; Lu Wang; Mo Yu; Wei Zhang

不平衡的数据分布：关注题目中判别力更强的信息，例如简单题中答错的人，难题中答对的人

Improving the performance and explainability of knowledge tracing via markov blanket ​

IPM；Bo Jiang; Yuang Wei; Ting Zhang; Wei Zhang，2024

可解释性：相关性===>因果关系 （选择合适的输入特征）;

对于知识追踪技术，提出了一种基于markov blanket和FGES框架的算法，提取出对目标参数的一个因果特征子集（MB）（有因果关系），将该自己输入到一些可解释性强的模型（LR、RF、DT）进行知识追踪。方法简单有效

实验数据分析和讨论（Discussion）部分写的好，可以参考

其他 ​

[Understanding Adversarial Robustness from Feature Maps of Convolutional Layers](./202510/Understanding Adversarial Robustness from Feature Maps of Convolutional Layers) ​

IEEE TNNLS,Cong Xu; Wei Zhang; Jun Wang; Min Yang,2024

对于平均池化层，扩大其特征图尺寸（上采样、缩短步长）可以提到网络对抗鲁棒性。方法简单有效

实验设计完善（对比实验、展示方法优势），可以参考实验思路

Layer by Layer Uncovering Hidden Representations in Language Models ​

ICML, Oscar Skean 、Md Rifat Arefin、Dan Zhao 、 Niket Patel 、Jalal Naghiyev 、Yann LeCun 、Ravid Shwartz-Ziv, 2025.2

用一个统一框架矩阵熵（信息论、几何、不变性 ）来证明中间层比最终层提供更有用的特征对于下游任务：中间层在信息压缩和噪声抑制方面找到了更好的平衡点，而最后一层可能会变得过于专业化于预训练目标

LiDAR视觉定位 ​

LightLoc Learning Outdoor LiDAR Localization at Light Speed ​

cvpr2025, xmu

轻量化

  • 多种不同场景训练一个主干网络，N个MLP，每个MLP对于一个场景，并行训练迫使主干网络学到通用的泛化特征。
  • 很多样本相似，容易混淆，模型训练不易收敛：给模型特征加一个自己大概在某个位置先验条件。将样本聚类后重新定义标签，做一个简单的分类任务，得到一个条件概率，拼接到样本特征上。
  • 样本中存在大量重复，有些样本模型反复学过，可以不要。计算epoch间一个滑动窗口内损失的方差，如果方差大说明模型预测不稳定，还要学；反之，不用学可以丢掉。方差降序筛选。

解释 ​

🎏unfinished

❓ leave a question open

❤️ like

✍️ writing