Update README.md

README.md

@@ -4,10 +4,20 @@ license: cc-by-nd-4.0
 
 # BD4UI Lab sharing repository
 
-| 序号 | 日期       | 分享人                             | 论文标题   |   论文链接    |  论文摘要  | 
-| ---- | --------- | -------------------------------- | ------------- | ------------- | ------- |
-| 1    | 2024/10/17     | 程铭       | Hierarchical Reinforcement Learning for Dynamic Autonomous Vehicle Navigation at Intelligent Intersections | https://dl.acm.org/doi/pdf/10.1145/3580305.3599839 | 文章提出了 NavTL，这是一种基于学习的框架，用于在人类驾驶车辆和自动驾驶汽车共存的混合交通场景中联合控制交通信号计划和自动车辆重新路由。其目标是通过最大限度地减少十字路口的拥堵，同时引导自动驾驶车辆避开暂时拥堵的道路，从而提高出行效率并减少总出行时间。  |
-| 2    | 2024/10/24    | 颜浩       | GraphCLIP:  Enhancing Transferability in Graph Foundation Models for Text-Attributed Graphs  | https://arxiv.org/pdf/2410.10329   | 本文提出的GraphCLIP通过将图与文本总结进行对比预训练来学习图基础模型。主要包括利用LLM生成大规模"图-总结"配对数据，并设计了一种图提示方法来减轻少样本学习场景下的灾难性遗忘。   |
-| 3    | 2024/10/31   | 殷珺       | NoteLLM-2: Multimodal Large Representation Models for Recommendation | https://arxiv.org/pdf/2405.16789    | 本文探索基于大语言模型的多模态推荐系统，尝试采用：（1）multi-modal in-context learning和（2）late fusion来缓解现有模型过度依赖文本、忽视视觉信息的问题。    |
-| 4    | 2024/10/31   | 金志晗       | Skilful nowcasting of extreme precipitation with NowcastNet | https://www.nature.com/articles/s41586-023-06184-4  | 这篇文章于2023年7月发表于Nature正刊，清华大学与中国气象局基于极端降水预报目前的方法容易出现强度、位置误差的问题，提出NowcastNet，它将物理演化方案和生成式学习统一到具有端到端预测优化的神经网络中，效果上超越了谷歌的短临降水预报模型DGMR。   |
+| 日期       | 分享人                             | 论文标题   |   论文链接    |  论文摘要  | 
+| --------- | -------------------------------- | ----------- | ----------  | -------   |
+| 2024/7/3        | 颜浩                           | TAGA: Text-Attributed Graph Self-Supervised Learning by Synergizing Graph and Text Mutual Transformations  | https://arxiv.org/pdf/2405.16800      |  本属性图上表示学习最近取得了广泛关注，但现有方法大多关注于监督学习范式，对标签数据较为依赖。本文介绍了一种新的文本图上自监督学习框架TAGA。其构造了两种可相互转化的视图，Text-of-Graph与Graph-of-Text，并通过对齐两个视图的表示来同时捕获文本图上的结构与语义知识。  | 
+| 2024/7/31       | 殷珺                            |  Vector Quantization for Recommender Systems: A Review and Outlook  | https://arxiv.org/pdf/2405.03110     |  推荐系统中的向量量化技术综述，主要内容包括经典向量量化技术简介、推荐系统中的向量量化以及向量随机量化技术简介。向量量化旨在将大规模的数据向量表示压缩到可学习的小规模编码本（codebook），被用于加速最近邻搜索、注意力机制等。近年来，其离散化索引能力受到关注，与生成式推荐系统紧密结合，作为推荐系统索引模块（indexer）得到广泛应用。  | 
+| 2024/7/31         | 程铭                            | Spatio-temporal Early Prediction based on Multi-objective Reinforcement Learning   |   https://arxiv.org/pdf/2406.04035   |  在预测任务中，准确性和时效性往往难以同时优化。过早得到的预测结果可能会导致较高的误报率，而能够获取更多信息的延迟预测可能会使结果失去时效性。在野外火灾、犯罪和交通拥堵等现实场景中，及时预测对于保障人类生命财产安全至关重要。因此，平衡准确性和时效性是研究的一大热点。本文提出了一种基于多目标强化学习的时空早期预测模型，该模型可以根据偏好实施最优策略，或基于少量样本推断偏好。该模型解决了两个主要挑战：1）提高早期预测的准确性；2）提供了一种能够确定每个区域最优预测时间的优化策略。 | 
+| 2024/8/28      | 刘若尘                            | Enhancing Sequential Recommenders with Augmented Knowledge from Aligned Large Language Models   |   https://dl.acm.org/doi/pdf/10.1145/3626772.3657782    |  传统序列推荐往往只考虑user-item之间的交互信息，而没有利用关于item的真实世界的知识，将大语言模型应用于序列推荐中则可以弥补了这一缺陷。然而由于大语言模型缺乏对序列行为模型的建模能力以及推理时间过长，如何将LLM用于序列推荐仍然是一个挑战。为解决上述挑战，本文提出了一种将传��ID-based 序列推荐与LLM相结合的方法，使用LLM来为item生成与交互相对齐的文本，以此达到语义增强的效果。  | 
+| 2024/9/4        | 王梓辰                            | BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous Driving   | https://arxiv.org/pdf/2312.06371     |  在实现全自动驾驶汽车的过程中，准确预测周围车辆的未来轨迹是一项重大挑战。本文提出了一种新的行为感知轨迹预测模型（BAT），由行为感知、交互感知、优先级感知和位置感知模块组成，可以感知潜在交互，从而在不严格分类驾驶行为的情况下实现更高级的学习。本文最关键的贡献是，使用动态几何图方法，并设计行为感知准则，不需要在训练过程中人工标注行为类别，解决了离散行为分类和选择适当时间窗口的挑战。实验结果表明，模型在NGSIM、highD、RounD和MoCAD四个数据集上均实现了较好的效果，即使在减少训练数据部分（25%）的情况下，模型也优于大多数baseline。  | 
+| 2024/9/11       | 徐榕桧                            | PATE: Proximity-Aware Time series anomaly Evaluation   |   https://arxiv.org/pdf/2405.12096    | 评估时间序列数据中的异常检测算法至关重要，因为在实时分析和数据驱动策略至关重要的各个领域，不准确性可能导致错误的决策。传统的性能指标无法捕捉复杂的时间动态和时间序列异常的特定特征，例如早期检测和延迟检测。本文提出了一种结合预测与异常区间间时间关系的新型评价指标——邻近感知时间序列异常评价(PATE)。PATE使用基于邻近度的加权方法，考虑异常区间周围的缓冲区，从而能够对探测进行更详细、更明智的评估。实验表明，许多SOTA模型可能在某些场景下被过度评估，而PATE能够提供更公平的模型比较，从而指导未来的研究朝着开发更有效和更准确的检测模型的方向发展。   | 
+| 2024/9/18       | 于志刚                             |  GAugLLM: Improving Graph Contrastive Learning for Text-Attributed Graphs with Large Language Models   |  https://arxiv.org/pdf/2406.11945  |  GAugLLM，它是为文本属性图设计的，能够利用丰富的文本属性和 LLM 联合进行特征级和边级扰动。它分为两个模块：混合 prompt 专家的方法通过直接干扰输入文本属性来生成增强特征；协同边修改器方案利用文本属性进行结构扰动。  | 
+| 2024/9/18       | 吴微                             | Towards an end-to-end artificial intelligence driven global weather forecasting system   |   https://arxiv.org/pdf/2312.12462v1    | 该文章提出了一种基于AI的数据同化模型Adas，并和先进的基于AI的预报模型风乌结合，构建了首个端到端的基于AI的全球天气预报系统：FengWu-Adas。Adas引入了置信度矩阵，使用门控卷积处理稀疏观测，并使用门控交叉注意力捕获背景与观测之间的相互作用。研究表明，Adas能够同化全球观测数据，产生高质量的分析，使系统能够长期稳定运行。  | 
+| 2024/9/25        | 杨珂懿                           | PrivShape: Extracting Shapes in Time Series under User-Level Local Differential Privacy   |   https://arxiv.org/pdf/2404.03873    |  本文提出了 PrivShape，这是一种基于用户级别 LDP 的 Trie 机制，用于保护所有元素。PrivShape 首先转换时间序列以减少其长度，然后采用 Trie 扩展和两级细化来提高效用。通过对真实世界数据集的大量实验，我们证明了 PrivShape 在适应离线使用时优于 PatternLDP，并且可以有效地提取频繁的形状。 | 
+| 2024/10/10       | 曹敏君                           | Biased Temporal Convolution Graph Network for Time Series Forecasting with Missing Values   |   https://openreview.net/forum?id=O9nZCwdGcG    | 本文提出了一种偏置时间卷积图网络BiTGraph，同时捕获时间依赖性和空间结构。多元时间序列预测在气象研究、交通管理和经济规划等各种应用中发挥着重要作用。在过去的几十年中，通过探索时间动态和空间相关性，人们为实现准确可靠的预测做出了许多努力。特别是，近年来基于 Transformer 的方法的发展显着提高了长期预测的准确性。现有的预测方法通常假设输入数据完整，然而，在实践中，由于设备故障或昂贵的数据采集，时间序列数据经常被部分观察到，这可能严重阻碍现有方法的性能。简单地使用插补方法不可避免地会涉及误差积累并导致次优解决方案。本文提出的BiTGraph方法将偏差注入到两个精心开发的模块中（多尺度实例 PartialTCN 和偏差 GCN）以解释缺失的模式。实验结果表明提出的模型能够达到在五个真实世界基准数据集上相比现有方法提高9.93%。论文和代码大家感兴趣可以先了解一下。   | 
+| 2024/10/17     | 程铭       | Hierarchical Reinforcement Learning for Dynamic Autonomous Vehicle Navigation at Intelligent Intersections | https://dl.acm.org/doi/pdf/10.1145/3580305.3599839 | 文章提出了 NavTL，这是一种基于学习的框架，用于在人类驾驶车辆和自动驾驶汽车共存的混合交通场景中联合控制交通信号计划和自动车辆重新路由。其目标是通过最大限度地减少十字路口的拥堵，同时引导自动驾驶车辆避开暂时拥堵的道路，从而提高出行效率并减少总出行时间。  |
+| 2024/10/24    | 颜浩       | GraphCLIP:  Enhancing Transferability in Graph Foundation Models for Text-Attributed Graphs  | https://arxiv.org/pdf/2410.10329   | 本文提出的GraphCLIP通过将图与文本总结进行对比预训练来学习图基础模型。主要包括利用LLM生成大规模"图-总结"配对数据，并设计了一种图提示方法来减轻少样本学习场景下的灾难性遗忘。   |
+| 2024/10/31   | 殷珺       | NoteLLM-2: Multimodal Large Representation Models for Recommendation | https://arxiv.org/pdf/2405.16789    | 本文探索基于大语言模型的多模态推荐系统，尝试采用：（1）multi-modal in-context learning和（2）late fusion来缓解现有模型过度依赖文本、忽视视觉信息的问题。    |
+| 2024/10/31   | 金志晗       | Skilful nowcasting of extreme precipitation with NowcastNet | https://www.nature.com/articles/s41586-023-06184-4  | 这篇文章于2023年7月发表于Nature正刊，清华大学与中国气象局基于极端降水预报目前的方法容易出现强度、位置误差的问题，提出NowcastNet，它将物理演化方案和生成式学习统一到具有端到端预测优化的神经网络中，效果上超越了谷歌的短临降水预报模型DGMR。   |