机构名称：
¥ 2.0
[2] Hsiang-fu Yu，Cho-Jui Hsieh，Kai-Wei Chang和Chih-Jen Lin，当数据无法填充记忆中时，大型线性分类，第16届ACM SIGKDD国际知识发现与数据挖掘和数据挖掘的国际会议（KDD 2010）（KDD 2010），最佳研究论文，最佳研究论文，最佳研究论文。[3] Liunian Harold Li, Pengchuan Zhang, Haotian Zhang, Jianwei Yang, Chunyuan Li, Yiwu Zhong, Lijuan Wang, Lu Yuan, Lei Zhang, Jenq-Neng Hwang, Kai-Wei Chang , and Jianfeng Gao, Grounded Language-Image Pre-training, the Computer Vision and Pattern Recognition Conference (CVPR 2022）。最佳纸决赛入围者，在8161个提交中，有33名，最高0.4％[4] Kuan-Hao Huang，Varun Iyer，I.-Hung Hsu，Anoop Kumar，Kai-Wei Chang和Aram Galstyan。“ Paraamr：AMR反翻译的大规模句法释义数据集。”在计算语言学协会年度会议中（ACL 2023）。区域椅子奖（语义曲目中的顶纸）[5] Nikil Roashan Selvam，Sunipa Dev，Daniel Khashabi，Tushar Khot和Kai-Wei Chang。“尾巴摇晃狗：社会偏见基准的数据集建筑偏见。”在计算语言学协会年会（ACL Short）的年度会议中，2023年。杰出纸奖[6] Hritik Bansal，Yonatan Bitton，Idan Szpektor，Kai-Wei Chang和Aditya Grover。videocon：通过对比标题进行稳健的视频语言对齐。在计算机视觉和模式识别会议上（CVPR，2024）。在ICLR研讨会上有关基础模型数据问题的最佳纸张奖。[7] Pan Lu，Hritik Bansal，Tony Xia，Jiacheng Liu，Chunyuan Li，Hannaneh Hajishirzi，Hao Cheng，Kai-Wei Chang，Michel Galley和Jianfeng Gao。MathVista：评估视觉上下文中基础模型的数学推理。在国际学习表征会议上（ICLR，2024）。被选为口头（7,000份提交中的85个，前1.2％）[8] Hritik Bansal，Nishad Singhi，Yu Yang，Fan Yin，Aditya Grover和Kai-Wei Chang。“ CleanClip：减轻多模式对比学习中的数据中毒攻击。”在国际计算机愿景会议上（ICCV，2023）。为口头选择（在8088个意见中，有195个，前2.5％），ICLR的最佳纸张奖，涉及可信赖和可靠的大型机器学习模型。[9] Tao Meng，Sidi Lu，Nanyun Peng和Kai-Wei Chang。在神经信息处理系统中具有神经化甲骨文的可控文本生成（Neurips 2022）。被选为口头，201311年中有201名最高1.9％[10]洪川张，liunian Harold Li，Tao Meng，Kai-Wei Chang和Guy van den Broeck。“关于从数据中进行推理的悖论。”在人工智能国际联合会议中（IJCAI 2023）。ijcai-23中的前3个引用的论文[11] Sheng Shen，Liunian Harold Li，Hao Tan，Mohit Bansal，Anna Rohrbach，Kai-Wei Chang，Zhewei Yao和Kurt Keutz，Keurt Keutz，剪辑可以剪辑多少愿望和语言？国际学习代表会议（ICLR 2022）。iClr-22 [12] W. Ahmad，S。Chakraborty，B。Ray，K.-W。张。旨在进行程序理解和生成的预先培训。计算语言学协会北美分会（NAACL 2021），NAACL-21的前3个引用论文。太阳。[13] Z. Hu，Y。Dong，K。Wang，K.-W。 Chang和Y。gpt-gnn：图神经网络的生成预训练。ACM SIGKDD国际知识发现与数据挖掘会议（KDD 2020），在KDD-20的前10名引用论文。[14] M. Alzantot，Y。Sharma，A。Elgohary，B.-J。HO，M。Srivastava，K.-W。张。 生成自然语言对抗性示例。 自然语言经验方法会议HO，M。Srivastava，K.-W。张。生成自然语言对抗性示例。自然语言经验方法会议
kai-wei chang
主要关键词
相关文件推荐
![b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数容量的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边的连接，这是第一个在\ xe2 \ x84 \ xa6（n 3）绑定在密集图高连续性方向上的时间上改进的算法。我们的结果取决于采样的简单组合以及稀疏性的稀疏性，这似乎是新的，并且可能导致有向图连接问题的进一步折衷。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们在\ xcb \ x9c o（nw/\ xcf \ xb5）中获得了一个（1 + \ xcf \ xb5）-AppRoximation，其中w是总顶点的重量（假设Integral vertex weivertex weivertex weivertex weivertex）;特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础，以获得全局顶点连接的类似界限。我们的结果补充了由于Gabow的工作[8]的1991年边缘连通性以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果补充了。 [23]和Forster等。 [6]对于顶点连接。](/simg/8/8e7675640f7d11b8c01f2da32483c44d53994a39.webp)