Color is a critical design factor for web pages, affecting important factors such as viewer emotions and the overall trust and satisfaction of a website. Effective coloring requires design knowledge and expertise, but if this process could be automated through data-driven modeling, efficient exploration and alternative workflows would be possible. However, this direction remains underexplored due to the lack of a formalization of the web page colorization problem, datasets, and evaluation protocols. In this work, we propose a new dataset consisting of e-commerce mobile web pages in a tractable format, which are created by simplifying the pages and extracting canonical color styles with a common web browser. The web page colorization problem is then formalized as a task of estimating plausible color styles for a given web page content with a given hierarchical structure of the elements. We present several Transformer-based methods that are adapted to this task by prepending structural message passing to capture hierarchical relationships between elements. Experimental results, including a quantitative evaluation designed for this task, demonstrate the advantages of our methods over statistical and image colorization methods. The code is available at https://github.com/CyberAgentAILab/webcolor.

向量图形文档呈现多个视觉元素，例如图像，形状和文本。对于业余爱好者和专业设计师来说，为多个视觉元素选择合适的颜色是一项艰巨但至关重要的任务。我们没有为所有元素创建单个调色板，而是从图形文档中的每个视觉元素中提取多个调色板，然后将它们组合成颜色序列。我们为颜色序列完成提出了一个掩盖的颜色模型，并建议基于多板的颜色上下文的指定颜色，概率很高。我们训练模型并在矢量图形文档的大规模数据集上构建颜色建议系统。提出的颜色建议方法通过定量和定性评估对颜色预测和我们的颜色推荐系统的表现优于其他最先进的方法，并在访谈研究中收到了专业设计师的积极反馈。

训练视觉和语言模型的更多数据总是更好吗？我们研究多模式任务中的知识可传递性。当前的机器学习趋势是假设通过从不同任务加入多个数据集，其整体绩效将有所改善。但是，我们表明，并非所有知识都会很好地转移或对相关任务产生积极影响，即使它们共享一个共同的目标也是如此。我们基于数百种分为4组的视觉和语言任务进行了数百个跨表现的分析。尽管同一组中的任务容易相互改进，但结果表明并非总是如此。其他因素（例如数据集大小或训练阶段）也对知识的转移程度也有很大的影响。

尽管在时间序列重建的深度学习方法中取得了长足的进步，但由于其对优化损失的贡献可忽略不计，因此没有设计现有的方法来揭示具有微小信号强度的本地活动。但是，这种局部活动可以表示生理系统中重要的异常事件，例如额外的焦点触发心脏电波异常的传播。我们讨论了一种重建这种本地活动的新技术，尽管信号强度很小，但它是随后具有较大信号强度的全球活动的原因。我们的中心创新是通过明确建模并解开系统潜在的潜在隐藏内部干预措施的影响来解决此问题。在状态空间模型（SSM）的新型神经公式中，我们首先通过分别描述的相互作用的神经ODES系统引入潜在动力学的因果效应建模1）内部干预的连续时间动力学； 2）它对系统本地状态轨迹的影响。因为不能直接观察干预措施，而必须与观察到的后续效果脱离，所以我们整合了对系统的无天然干预动态的知识，并通过假设它是对实际观察到的差异来推断隐藏干预措施的推断和假设的无干预动态。我们证明了对重建异位焦点的提出框架的概念证明，从而破坏了从远程观察到正常心脏电气传播的过程。