Update README.md

README.md

@@ -10,7 +10,7 @@ license: cc-by-nd-4.0
 
 |日期|分享人|期刊或会议|论文标题|论文链接|论文摘要|
 |-|-|-|-|-|-|
-| 2024/4/9    |<img width=400/>于志刚|   WWW2024| GraphTranslator: Aligning Graph Model to Large Language Model for Open-ended Tasks   | https://arxiv.org/pdf/2402.07197 |  图模型（GM）往往仅限于预定义格式（如节点分类）内的任务，无法完成开放式任务。LLM则可以完成开放式任务。尽管已经有几种将LLM应用于图的方法，但是它们不能同时处理预定义和开放式任务。本文试图将图模型与大语言模型对齐，从而使得模型能够同时处理预定义和开放式任务。  | 
+| 2024/4/9    |<img width=600/>于志刚|   WWW2024| GraphTranslator: Aligning Graph Model to Large Language Model for Open-ended Tasks   | https://arxiv.org/pdf/2402.07197 |  图模型（GM）往往仅限于预定义格式（如节点分类）内的任务，无法完成开放式任务。LLM则可以完成开放式任务。尽管已经有几种将LLM应用于图的方法，但是它们不能同时处理预定义和开放式任务。本文试图将图模型与大语言模型对齐，从而使得模型能够同时处理预定义和开放式任务。  | 
 | 2024/4/16   | 杨珂懿  |  NeurIPS2023          | DYffusion: A Dynamics-informed Diffusion Modelfor Spatiotemporal Forecasting   |   https://arxiv.org/pdf/2306.01984    |  提出了一种方法，用于有效地训练扩散模型进行概率时空预测，在这方面，生成稳定和准确的预测仍然是一个挑战。我们的方法，DYffusion，利用数据中的时间动态，将其与模型中的扩散步骤直接耦合。我们训练了一个随机的、时间条件的插值器和预测网络，分别模仿标准扩散模型的正向和反向过程。DYffusion自然地促进了多步骤和长范围的预测，允许高度灵活的、连续时间的采样轨迹，并能在推断时用加速采样来权衡性能。与传统基于高斯噪声的扩散模型相比，显著提高了计算效率。  | 
 | 2024/4/23   | 曹敏君  |  Arxiv.2312           | Mamba: Linear-Time Sequence Modeling with Selective State Spaces   |   https://arxiv.org/pdf/2312.00752   | 本文介绍了一种新的序列模型架构，名为Mamba，它通过选择性状态空间模型（Selective State Space Models, SSMs）来改进传统的状态空间模型。Mamba通过输入依赖的方式调整SSM参数，允许模型根据当前的数据选择性地传递或遗忘信息，从而解决了以前模型在处理离散和信息密集型数据（如文本）时的不足。此外，尽管这种改变使得模型不能使用高效的卷积计算，研究者设计了一种硬件感知的并行算法，以递归模式运行，使得Mamba在推理速度上比传统的Transformer快5倍，并且在序列长度上实现线性缩放。  | 
 | 2024/4/30   | 程铭    | NeurIPS2023           | Deciphering Spatio-Temporal Graph Forecasting: A Causal Lens and Treatment   |   https://arxiv.org/pdf/2309.13378   |  时空神经图网络在时空预测过程中存在时间OOD问题和动态空间因果关系问题。 本文提出了一个新的框架CaST，通过使用一种新的解纠缠块的后门调整，将时间环境从输入数据中分离出来。此外，利用前门调整和边缘级卷积来模拟因果关系的连锁效应。 |