← AAAI 各届
AAAI 2022· AAAI Conference on Artificial Intelligence
AAAI 2022
亮点精读
8 篇 · 获奖 / oral / 高引📈 3.9k 引用
Are Transformers Effective for Time Series Forecasting?
探讨Transformer在时间序列预测中的有效性，发现简单线性模型常优于复杂Transformer。
💡 挑战了Transformer在时序任务中的主导地位。
arXiv
📈 1.3k 引用
Exploring CLIP for Assessing the Look and Feel of Images
利用CLIP模型评估图像的视觉外观和质感，提出无需人工标注的评估方法。
💡 无需人工标注，高效评估图像质量。
arXiv
📈 987 引用
BEVDepth: Acquisition of Reliable Depth for Multi-view 3D Object Detection
提出BEVDepth，通过显式深度监督和相机感知模块提升多视图3D检测的深度估计可靠性。
💡 首次在BEV检测中融合深度监督，显著提升精度与鲁棒性。
arXiv
📈 617 引用
Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method
提出UHD低光图像增强基准和Transformer方法，显著提升超高清暗光图像质量。
💡 首个UHD低光增强基准，推动高分辨率暗光处理发展。
arXiv
📈 586 引用
Anchor DETR: Query Design for Transformer-Based Detector
提出基于锚点的查询设计，改进DETR的收敛速度和性能。
💡 简化查询设计，加速收敛，提升检测精度。
📈 460 引用
FedALA: Adaptive Local Aggregation for Personalized Federated Learning
提出FedALA，通过自适应局部聚合实现个性化联邦学习，解决数据异质性。
💡 首个自适应聚合方法，显著提升非IID数据下的模型性能。
arXiv
📈 453 引用
N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting
提出N-HiTS模型，通过分层插值实现高效时间序列预测。
💡 显著提升长序列预测速度与精度。
arXiv
📈 445 引用
A Holistic Approach to Undesired Content Detection in the Real World
提出整体方法，利用多模态和上下文检测现实世界中的不良内容。
💡 解决真实场景中内容检测的复杂性和多样性。
arXiv
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点