<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SmartLab307的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/SmartLab307</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; SmartLab307]]></copyright><item><title><![CDATA[FUPM：联邦用户偏好建模如何实现隐私保护跨域推荐]]></title><link>https://blog.csdn.net/SmartLab307/article/details/169545403</link><guid>https://blog.csdn.net/SmartLab307/article/details/169545403</guid><author>SmartLab307</author><pubDate>Thu, 05 Nov 2026 22:06:15 +0800</pubDate><description><![CDATA[本文提出FUPM框架，面向隐私保护的跨域推荐，通过联邦学习实现用户偏好建模。在多领域中，各平台仅共享经裁剪与拉普拉斯加噪的用户原型，保障原始数据不出域。方法融合交互行为与评论文本，利用对比对齐增强表示；引入潜在兴趣插值，弥补稀疏行为的不足；通过全局原型聚合与跨域对比学习，实现知识迁移。实验表明，该方法在稀疏场景下显著提升推荐精度，同时在隐私预算约束下有效平衡安全与性能。]]></description><category></category></item><item><title><![CDATA[SIGIR 2026 | KERec：把用户兴趣看成有“速度”和“加速度”的序列推荐]]></title><link>https://blog.csdn.net/SmartLab307/article/details/169649742</link><guid>https://blog.csdn.net/SmartLab307/article/details/169649742</guid><author>SmartLab307</author><pubDate>Sat, 31 Oct 2026 17:18:50 +0800</pubDate><description><![CDATA[序列推荐的任务，是根据用户过去点击、购买或浏览过的物品序列，预测用户下一步最可能感兴趣的物品。现有 Transformer、RNN、CNN 或状态空间模型已经能够较好地挖掘行为之间的顺序依赖，但它们通常把历史行为编码成一组离散的位置表示，再通过注意力或循环结构聚合信息。KERec 认为，用户偏好并不是若干静态兴趣向量的简单拼接，而是一个随时间连续变化的过程。用户可能长期喜欢某一类商品，也可能在最近几次交互中突然转向新的兴趣方向。]]></description><category></category></item><item><title><![CDATA[GNRSR：一种融合广义非凸低秩近似与稀疏正则化的去噪方法]]></title><link>https://blog.csdn.net/SmartLab307/article/details/169069733</link><guid>https://blog.csdn.net/SmartLab307/article/details/169069733</guid><author>SmartLab307</author><pubDate>Sun, 25 Oct 2026 22:18:00 +0800</pubDate><description><![CDATA[这篇文章提出GNRSR模型，融合广义非凸低秩近似与变换域稀疏正则化，用于高光谱图像去噪。针对传统核范数过度惩罚大奇异值、单一低秩约束导致细节丢失等问题，该方法通过非凸函数灵活建模低秩结构，并引入DCT域稀疏约束以保留纹理与光谱信息。基于Inexact ALM算法实现高效求解，实验在模拟与真实数据上均验证了其在混合噪声抑制、细节保持及光谱恢复方面的优越性，消融实验证明两种先验具有互补作用。]]></description><category></category></item><item><title><![CDATA[SSTPTV：一种新的高光谱图像去噪正则化方法]]></title><link>https://blog.csdn.net/SmartLab307/article/details/168341361</link><guid>https://blog.csdn.net/SmartLab307/article/details/168341361</guid><author>SmartLab307</author><pubDate>Sun, 18 Oct 2026 16:07:41 +0800</pubDate><description><![CDATA[高光谱图像去噪常利用局部平滑先验，典型做法是 TV 正则化，但传统 TV 对所有梯度位置施加统一稀疏惩罚，容易在去噪时抹除纹理细节。本文提出空间-光谱纹理保持总变分 SSTPTV，通过从梯度图中学习空间和光谱纹理权重，并用 log 函数改进稀疏惩罚，使纹理区域受到更弱收缩、非纹理区域受到更强平滑。进一步，作者将 SSTPTV 嵌入 TRPCA 去噪框架，并设计张量交替子空间 TAS，使正则作用于特征更集中的子空间。模拟与真实噪声实验表明，该方法在混合噪声去除和纹理保持方面优于多种深度学习与张量模型基线。]]></description><category></category></item><item><title><![CDATA[RealPC：面向真实场景的点云补全与拓扑先验建模]]></title><link>https://blog.csdn.net/SmartLab307/article/details/167385487</link><guid>https://blog.csdn.net/SmartLab307/article/details/167385487</guid><author>SmartLab307</author><pubDate>Fri, 09 Oct 2026 15:41:13 +0800</pubDate><description><![CDATA[论文标题：Revisiting Point Cloud Completion: Are We Ready For The Real-World? 作者：Stuti Pathak, Prashant Kumar, Dheeraj Baiju, Nicholus Mboga, Gunther Steenackers, Rudi Penne 发表：ICCV 2025]]></description><category></category></item><item><title><![CDATA[MBHT：多行为超图增强Transformer序列推荐]]></title><link>https://blog.csdn.net/SmartLab307/article/details/166009230</link><guid>https://blog.csdn.net/SmartLab307/article/details/166009230</guid><author>SmartLab307</author><pubDate>Sun, 27 Sep 2026 11:17:50 +0800</pubDate><description><![CDATA[论文标题：Multi-Behavior Hypergraph-Enhanced Transformer for Sequential Recommendation
作者：Yuhao Yang, Chao Huang, Lianghao Xia, Yuxuan Liang, Yanwei Yu, Chenliang Li
发表：KDD 2022]]></description><category></category></item><item><title><![CDATA[arXiv 2025 | Retrieval Survey：推荐系统召回阶段的方法分类与工业落地全解析]]></title><link>https://blog.csdn.net/SmartLab307/article/details/165758861</link><guid>https://blog.csdn.net/SmartLab307/article/details/165758861</guid><author>SmartLab307</author><pubDate>Fri, 18 Sep 2026 21:28:52 +0800</pubDate><description><![CDATA[论文信息 标题：A Comprehensive Survey on Retrieval Methods in Recommender Systems
 作者：Junjie Huang, Jizheng Chen, Jianghao Lin, Jiarui Qin, Ziming Feng, Weinan Zhang, Yong Yu]]></description><category></category></item><item><title><![CDATA[全连接张量网络分解及其在高阶张量补全中的应用]]></title><link>https://blog.csdn.net/SmartLab307/article/details/164961858</link><guid>https://blog.csdn.net/SmartLab307/article/details/164961858</guid><author>SmartLab307</author><pubDate>Fri, 11 Sep 2026 14:12:42 +0800</pubDate><description><![CDATA[论文标题：Fully-Connected Tensor Network Decomposition and Its Application to Higher-Order Tensor Completion
作者：Yu-Bang Zheng, Ting-Zhu Huang, Xi-Le Zhao, Qibin Zhao, Tai-Xiang Jiang
发表：AAAI 2021]]></description><category></category></item><item><title><![CDATA[Diffusion Image Prior：从Deep Image Prior到扩散模型隐式先验的盲图像恢复]]></title><link>https://blog.csdn.net/SmartLab307/article/details/164477664</link><guid>https://blog.csdn.net/SmartLab307/article/details/164477664</guid><author>SmartLab307</author><pubDate>Mon, 07 Sep 2026 18:00:58 +0800</pubDate><description><![CDATA[论文题目：Diffusion Image Prior
作者：Hamadi Chihaoui, Paolo Favaro
会议：IEEE/CVF International Conference on Computer Vision（ICCV）
年份：2025
关键词：图像恢复、Diffusion Prior、Deep Image Prior、盲图像恢复]]></description><category></category></item><item><title><![CDATA[Hyper-PCN：用超图建模高阶相关的点云补全方法]]></title><link>https://blog.csdn.net/SmartLab307/article/details/162425399</link><guid>https://blog.csdn.net/SmartLab307/article/details/162425399</guid><author>SmartLab307</author><pubDate>Mon, 29 Jun 2026 16:39:58 +0800</pubDate><description><![CDATA[点云是三维视觉中最常见的几何表示之一，被广泛应用于自动驾驶、机器人操作、增强现实、三维重建、分类与分割等任务。然而，真实传感器采集到的点云往往并不完整：遮挡、视角限制、扫描分辨率不足等因素都会导致物体表面出现缺失区域。点云补全（Point Cloud Completion）的目标，就是根据一个稀疏且不完整的输入点云，恢复出完整、稠密且结构合理的三维形状。已有方法大致可以分为几类。]]></description><category></category></item><item><title><![CDATA[CycleNet：通过建模周期性模式来提升时间序列预测精度]]></title><link>https://blog.csdn.net/SmartLab307/article/details/162238255</link><guid>https://blog.csdn.net/SmartLab307/article/details/162238255</guid><author>SmartLab307</author><pubDate>Tue, 23 Jun 2026 17:26:59 +0800</pubDate><description><![CDATA[NeurIPS 2024的CycleNet针对长时序预测，提出RCF周期建模模块，通过学习全局固定周期模板拆分周期与残差，仅预测残差再融合结果，可嵌入各类时序模型。模型搭配单层线性或双层MLP，结构极轻量，参数量大幅减少。在电力、气象等稳定周期数据集上效果达SOTA；但单通道建模、易受异常值干扰，交通数据表现不及iTransformer。实验证明RCF优于传统时序分解。文章也说明模型仅适配固定周期序列，最后给出融合变量关联、提升鲁棒性等改进方向。]]></description><category></category></item><item><title><![CDATA[yper-PCN：用超图建模高阶相关性，点云补全还能再往前走一步吗？]]></title><link>https://blog.csdn.net/SmartLab307/article/details/162033360</link><guid>https://blog.csdn.net/SmartLab307/article/details/162033360</guid><author>SmartLab307</author><pubDate>Tue, 16 Jun 2026 13:26:04 +0800</pubDate><description><![CDATA[普通图的边一次只能连接两个点，所以天然适合表示二元关系。超图不同，一个超边可以连接任意多个顶点，因此更适合表达“群体关系”。对点云补全来说，这个差异非常关键。如果一个飞机尾翼区域缺失，仅仅去找“和它最像的某个单点”帮助并不大；真正有帮助的是找到一组能够共同约束它形态的结构区域，比如机翼、机身后段、尾部连接区域等。这种多对多关系更接近超图而不是普通图。顶点先把信息聚合到超边超边再把聚合信息回传给顶点这相当于先形成“局部结构关系单元”，再反过来用这些高阶关系更新点特征。]]></description><category></category></item><item><title><![CDATA[基于扩散模型的高光谱图像恢复：LatentHSI潜在空间建模思路]]></title><link>https://blog.csdn.net/SmartLab307/article/details/161838898</link><guid>https://blog.csdn.net/SmartLab307/article/details/161838898</guid><author>SmartLab307</author><pubDate>Tue, 09 Jun 2026 20:59:08 +0800</pubDate><description><![CDATA[摘要： 论文《LatentHSI: Restore hyperspectral images in a latent space》提出了一种基于潜在扩散模型的无监督高光谱图像（HSI）恢复方法。针对HSI高维特性导致的建模困难，该方法通过低秩分解将图像降维，并利用变分自编码器（VAE）构建连续平滑的潜在空间，在此空间中训练扩散模型以学习数据先验。恢复过程中，结合退化观测约束和梯度引导优化，最终通过解码器重建高质量HSI。实验表明，LatentHSI在去噪、超分辨率和全色锐化等任务中优于传统方法和现有扩散模型]]></description><category></category></item><item><title><![CDATA[（AAAI-2026）KnowLP：GraphRAG 诱导双知识结构图，实现个性化学习路径推荐]]></title><link>https://blog.csdn.net/SmartLab307/article/details/161633295</link><guid>https://blog.csdn.net/SmartLab307/article/details/161633295</guid><author>SmartLab307</author><pubDate>Tue, 02 Jun 2026 21:49:34 +0800</pubDate><description><![CDATA[本文介绍的 KnowLP 是一个面向个性化学习路径推荐的双知识结构框架。EDU-GraphRAG 自动构建知识结构图。通过 TextGrad 生成高质量知识点解释，再用 GraphRAG 构建先修关系和相似关系，降低了对人工知识图谱的依赖。引入相似关系缓解学习阻塞。传统方法主要依赖先修图，而 KnowLP 将相似知识点作为 blocked learning 场景下的 fallback 关系，帮助学生通过辨别学习突破卡点。多智能体强化学习生成路径。]]></description><category></category></item><item><title><![CDATA[视觉自回归建模：通过“下一尺度预测”实现可扩展的图像生成]]></title><link>https://blog.csdn.net/SmartLab307/article/details/161396405</link><guid>https://blog.csdn.net/SmartLab307/article/details/161396405</guid><author>SmartLab307</author><pubDate>Mon, 25 May 2026 17:03:00 +0800</pubDate><description><![CDATA[视觉自回归建模（VAR）提出创新的"下一尺度预测"范式，将图像生成重新定义为从粗到细的多尺度过程。该方法突破了传统自回归模型在视觉领域的性能瓶颈，在ImageNet 256×256基准上实现FID 1.73，推理速度提升20倍，首次超越扩散模型。VAR展现出类似大语言模型的幂律缩放特性和零样本泛化能力，支持图像修复、外扩等任务。这一成果为构建统一的多模态基础模型提供了新思路，未来可扩展至文本到图像和视频生成领域。]]></description><category></category></item><item><title><![CDATA[（NeurIPS-2025）MAGE 以简驭繁：线性自适应图学习赋能时空预测]]></title><link>https://blog.csdn.net/SmartLab307/article/details/161194406</link><guid>https://blog.csdn.net/SmartLab307/article/details/161194406</guid><author>SmartLab307</author><pubDate>Tue, 19 May 2026 10:00:00 +0800</pubDate><description><![CDATA[本文聚焦时空预测领域痛点，介绍了中科大团队提出的 MAGE 模型。传统时空图模型存在图拓扑噪声大、计算复杂度高（O (N²)）、难以适配大规模场景的问题。MAGE 以 “少而精” 为理念，核心创新包括移除 ReLU 激活净化图拓扑、采用线性自适应图将复杂度降至 O (N)，并设计稀疏平衡多专家结构突破线性低秩瓶颈。实验覆盖交通、能源、气象等 17 个真实数据集，MAGE 在 94% 指标上达最优，训练速度与内存占用均大幅优于主流模型，兼顾高精度与高效率，为大规模时空建模提供了新范式。]]></description><category></category></item><item><title><![CDATA[告别“补点”时代：PaCo 用参数化补全重写多边形重建规则]]></title><link>https://blog.csdn.net/SmartLab307/article/details/160990140</link><guid>https://blog.csdn.net/SmartLab307/article/details/160990140</guid><author>SmartLab307</author><pubDate>Mon, 11 May 2026 18:25:43 +0800</pubDate><description><![CDATA[点云补全，参数化补全，多边形表面重建，平面基元，二分图匹配。]]></description><category></category></item><item><title><![CDATA[（KDD-2025）STH-SepNet：轻量化大模型与自适应超图融合方法]]></title><link>https://blog.csdn.net/SmartLab307/article/details/160463935</link><guid>https://blog.csdn.net/SmartLab307/article/details/160463935</guid><author>SmartLab307</author><pubDate>Sun, 26 Apr 2026 22:13:47 +0800</pubDate><description><![CDATA[《STH-SepNet：轻量化大模型与自适应超图结合的时空预测新方法》摘要 本文提出了一种创新的时空预测框架STH-SepNet，通过解耦时空建模显著提升了预测性能。该方法采用双通道设计：(1)使用轻量化BERT等语言模型处理时间序列，通过patchembedding和promptadaptation技术将数值序列转化为LLM可处理的格式；(2)构建自适应超图网络动态捕捉多节点间的空间依赖关系。二者通过门控机制智能融合，在保持模型轻量化的同时实现精准预测。实验表明，该方法在共享单车流量和交通速度预测等任务中]]></description><category></category></item><item><title><![CDATA[(ITES 2025)教育推荐系统综述：主流技术、应用场景与未来趋势]]></title><link>https://blog.csdn.net/SmartLab307/article/details/160373886</link><guid>https://blog.csdn.net/SmartLab307/article/details/160373886</guid><author>SmartLab307</author><pubDate>Tue, 21 Apr 2026 16:25:31 +0800</pubDate><description><![CDATA[论文题目：A Systematic Review of Educational Recommender Systems:作者：John Telesphory Mhagama, Kanwal Garg（Kurukshetra University）发布时间：2025（International Journal of Technology in Education Science,关键词：教育推荐系统、机器学习、协同过滤、个性化学习、PRISMA综述、数字素养。]]></description><category></category></item><item><title><![CDATA[RENO：面向 3D LiDAR 点云的实时神经压缩]]></title><link>https://blog.csdn.net/SmartLab307/article/details/159616487</link><guid>https://blog.csdn.net/SmartLab307/article/details/159616487</guid><author>SmartLab307</author><pubDate>Sun, 29 Mar 2026 19:56:36 +0800</pubDate><description><![CDATA[本论文提出RENO，一种面向三维LiDAR点云的实时神经编解码器。针对现有方法在压缩效率与实时性之间的权衡困境，RENO采用多尺度稀疏张量表示，避免传统八叉树构建的耗时操作，并创新性地引入稀疏占用码与一次性推断机制，显著提升了处理速度。实验表明，RENO在RTX 3090 GPU上可实现每秒10帧的实时处理，相比G-PCC和Draco分别节省12.25%和48.34%的码率，且模型体积仅1MB，具有优异的工业部署价值。]]></description><category></category></item></channel></rss>