Update README.md

README.md

@@ -40,4 +40,5 @@ license: cc-by-nd-4.0
 | 2024/10/31  | 殷珺    | Arxiv.2405            | 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  | Nature 2023           | 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。   |
 | 2024/11/07  | 刘若尘  | KDD 2023           | Generative Flow Network for Listwise Recommendation | https://dl.acm.org/doi/abs/10.1145/3580305.3599364 | List-wise recommendation旨在将呈现在用户面前的所有item作为一个整体向用户进行推荐。研究表明，基于列表的方式能通过建模列表内部的物品关联性提升推荐效果。然而，探索组合列表空间具有挑战性，使用交叉熵损失的方法可能存在多样性不足的问题。本文提出GFN4Rec，一种生成式方法，借鉴流网络的思想以确保列表生成概率与其奖励的对齐。其核心优势在于对数尺度奖励匹配损失，提升了生成的多样性，并通过自回归物品选择模型捕捉物品间的相互影响和列表的未来奖励。感兴趣的同学可以提前浏览论文   |
-| 2024/11/28  | 徐榕桧  | KDD 2023              | DM-PFL: Hitchhiking Generic Federated Learning for Efficient Shift-Robust Personalization  | https://dl.acm.org/doi/pdf/10.1145/3580305.3599311|  个性化联邦学习上的已有方法容易受到客户端本地训练和测试数据之间分布变化的影响，并且在本地设备上涉及高训练工作量。为了克服这些缺点，作者探索了联邦学习的高效漂移鲁棒(Shift-Robust)个性化。其原理是搭全局模型的便车，并以最小的额外训练开销来提高个性化模型的移位鲁棒性。具体来说，作者提出了一种新的框架DM-PFL，它利用双重掩蔽机制来训练全局和个性化模型，实现权重级参数共享和端到端稀疏训练。|
+| 2024/11/28  | 徐榕桧  | KDD 2023              | DM-PFL: Hitchhiking Generic Federated Learning for Efficient Shift-Robust Personalization  | https://dl.acm.org/doi/pdf/10.1145/3580305.3599311|  个性化联邦学习上的已有方法容易受到客户端本地训练和测试数据之间分布变化的影响，并且在本地设备上涉及高训练工作量。为了克服这些缺点，作者探索了联邦学习的高效漂移鲁棒(Shift-Robust)个性化。其原理是搭全局模型的便车，并以最小的额外训练开销来提高个性化模型的移位鲁棒性。具体来说，作者提出了一种新的框架DM-PFL，它利用双重掩蔽机制来训练全局和个性化模型，实现权重级参数共享和端到端稀疏训练。|
+| 2024/12/04  | 王梓辰  | CVPR 2024             | SocialCircle: Learning the Angle-based Social Interaction Representation for Pedestrian Trajectory Prediction  | https://arxiv.org/pdf/2310.05370  |  在预测行人轨迹的时候，行人之间社会交互的多样性和不确定性使预测具有很大的挑战性。目前轨迹预测中建模交互的方法可以分为基于模型的和无模型的两类，基于模型的方法以特定的“规则”作为预测的主要基础，无模型的方法主要由数据驱动的方式进行预测。然而，基于模型的方式难以设计一个适合大多数社会交互的通用“规则”，无模型的方式严重依赖不同的网络结构，缺乏可解释性。本篇文章受海洋动物在水下通过回声定位同伴位置的启发，提出基于角度的可训练社会交互表示法，即SocialCircle，用于持续反应目标行人的不同角度方向上的社会交互环境。实验表明，SocialCircle 不仅在提高了预测性能，而且定性分析实验表明它有助于在预测行人轨迹时更好地模拟社会互动，从而与人类的直觉保持一致。|