基于Transformer的目标检测算法综述

深度学习框架Transformer具有强大的建模能力和并行计算能力，目前基于Transformer的目标检测算法已经成为研究的热点。为了进一步探索目标检测的新思路、新方向，对基于Transformer的目标检测算法进行了归纳总结。概述了多种目标检测数据集及其应用场景，从特征学习、目标估计、标签匹配策略和算法应用四方面梳理了Transformer目标检测的相关算法，并与基于卷积神经网络的目标检测算法进行对比，分析了Transformer在目标检测任务中的优点和局限性，并提出了Transformer目标检测模型的一般性框架。对Transformer在目标检测领域中的发展趋势进行了展望。     

基于特征相关的偏最小二乘特征选择方法

针对传统的偏最小二乘法只考虑单特征的重要性以及特征之间存在冗余和多重共线性等问题，将特征之间的统计相关性引入到传统的偏最小二乘分析中，构造了一种基于特征相关的偏最小二乘模型。首先利用特征相关度对特征进行评估预选出特征组，然后将其放入偏最小二乘模型中进行训练，评估该特征组是否可取。结合前向贪心搜索策略依次评价候选特征，并选中使目标函数最小的候选特征加入到已选特征。分别采用麻杏石甘汤君药止咳、平喘和UCI数据集进行分析处理，实验结果表明，该特征选择方法能较好寻找较优的特征组。     

开放信息抽取研究综述

开放信息抽取（open information extraction,OpenIE）旨在从自然语言文本中以关系短语及参数的形式生成信息的结构化表示，为知识库自动化构建、开放域问答和显式推理等下游任务提供基础支持。近年来，该领域的研究与应用不断深入，涌现了众多卓有成效的OpenIE研究思路和拓展模型。从OpenIE的定义、数据集和基准度量出发，详细深入地综述和比较了传统的OpenIE模型和基于神经网络的模型。针对传统方法，分类介绍了基于学习的模型和基于规则的模型，并深入研究了不同模型的评估方法，分析了不同类别模型之间的差异。针对基于神经网络的模型，根据抽取谓词的不同方式，将其分为联合抽取和分步抽取两种类型，并对每种模型进行了综述和对比分析。对OpenIE常用的数据集以及主要的评估基准进行了概述，并在此基础上进行了对比分析。从训练、改进以及应用三个角度对OpenIE的工作进行了总结，并对该工作的未来进行了展望。