Most semantic communication systems leverage deep learning models to provide end-to-end transmission performance surpassing the established source and channel coding approaches. While, so far, research has mainly focused on architecture and model improvements, but such a model trained over a full dataset and ergodic channel responses is unlikely to be optimal for every test instance. Due to limitations on the model capacity and imperfect optimization and generalization, such learned models will be suboptimal especially when the testing data distribution or channel response is different from that in the training phase, as is likely to be the case in practice. To tackle this, in this paper, we propose a novel semantic communication paradigm by leveraging the deep learning model's overfitting property. Our model can for instance be updated after deployment, which can further lead to substantial gains in terms of the transmission rate-distortion (RD) performance. This new system is named adaptive semantic communication (ASC). In our ASC system, the ingredients of wireless transmitted stream include both the semantic representations of source data and the adapted decoder model parameters. Specifically, we take the overfitting concept to the extreme, proposing a series of ingenious methods to adapt the semantic codec or representations to an individual data or channel state instance. The whole ASC system design is formulated as an optimization problem whose goal is to minimize the loss function that is a tripartite tradeoff among the data rate, model rate, and distortion terms. The experiments (including user study) verify the effectiveness and efficiency of our ASC system. Notably, the substantial gain of our overfitted coding paradigm can catalyze semantic communication upgrading to a new era.

最近，图形神经网络（GNN）显着提高了图形上机器学习任务的性能。但是，这一技术突破使人们感到奇怪：GNN如何做出这样的决定，我们可以高度信心信任它的预测吗？当涉及到一些关键领域（例如生物医学）时，做出错误的决策可能会产生严重的后果，在应用它们之前解释GNN的内部工作机制至关重要。在本文中，我们为遵循消息传递方案GnnInterPreter的不同GNN的新型模型模型级解释方法提出了一种新颖的模型级解释方法，以解释GNN模型的高级决策过程。更具体地说，通过图形的连续放松和重新聚集技巧，GnnInterPreter学习了概率生成图分布，该分布在GNN模型的眼中生成了目标预测的最具代表性图。与唯一的现有作品相比，GnnInterPreter在生成具有不同类型的节点功能和边缘功能的解释图时更加有效，更灵活，而无需引入另一个Blackbox来解释GNN，而无需特定领域的知识。此外，在四个不同数据集上进行的实验研究表明，当模型是理想的情况下，GnnInterPreter生成的解释图可以匹配所需的图形模式，并揭示了如果存在任何模型。

经典的交流范式专注于准确地通过嘈杂的渠道传输位，而香农理论则对可靠通信速率提供了基本的理论限制。在这种方法中，位平均对待，并且通信系统忽略了这些位传达或如何使用的含义。可以预见的是，对智力和简洁性的未来沟通将发挥主导作用，连接的智能代理的扩散需要对编码传输范式进行根本性的重新思考，以支持地平线上的新通信形态。最近的“语义通信”概念提供了有希望的研究方向。将语义指南注入编码传输设计以实现语义感知通信，这表现出了进一步突破性和可靠性的巨大潜力。本文阐明了语义引导的源和频道编码作为语义通信的传输范式，该传输范式可以利用数据语义的多样性和无线通道多样性，以增强整个系统性能。我们介绍一般的系统体系结构和关键技术，并指出有关此主题的一些开放问题。

最近，深层神经网络（DNNS）用于减少带宽并提高互联网视频交付的质量。现有的方法训练服务器上每个视频块的相应内容超级分辨率（SR）模型，并将低分辨率（LR）视频块以及SR模型一起流到客户端。尽管他们取得了令人鼓舞的结果，但网络培训的巨大计算成本限制了其实际应用。在本文中，我们提出了一种名为有效元调整（EMT）的方法，以降低计算成本。 EMT没有从头开始训练，而是将元学习的模型适应了输入视频的第一部分。至于以下块，它通过以前的改编模型的梯度掩盖选择了部分参数。为了实现EMT的进一步加速，我们提出了一种新颖的抽样策略，以从视频帧中提取最具挑战性的补丁。拟议的策略高效，带来了可忽略的额外成本。我们的方法大大降低了计算成本并取得更好的性能，为将神经视频传递技术应用于实际应用铺平了道路。我们基于各种有效的SR架构进行了广泛的实验，包括ESPCN，SRCNN，FSRCNN和EDSR-1，证明了我们工作的概括能力。该代码通过\ url {https://github.com/neural-video-delivery/emt-pytorch-eccv2022}发布。

本报告介绍了在CVPR 2022上提交通用事件边界检测（GEBD）挑战中使用的算法。在这项工作中，我们改善了GEBD的现有结构化上下文变压器（SC-Transformer）方法。具体而言，在变压器编码器后，添加了变压器解码器模块以提取高质量的框架功能。最终分类是根据原始二进制分类器和新引入的多类分类器分支共同执行的。为了丰富运动信息，将光流作为新模式引入。最后，模型合奏用于进一步提高性能。所提出的方法在动力学-GEBD测试集上获得了86.49％的F1得分。与先前的SOTA方法相比，它提高了2.86％的F1分数。

已经在图形图上进行了大量研究，但是许多现有方法仅着重于优化图形布局的特定美学方面。给定图形，生成满足某些人类美学偏好的良好布局仍然是一项具有挑战性的任务，尤其是如果无法将这种偏好表示为可区分的目标函数。在本文中，我们提出了一个基于学生教师GAN的图形绘图框架SmartGD，该框架学会了绘制图形，就像人类学习执行任务一样。 SmartGD中的学生网络通过模仿良好的布局示例来学习图形，而SmartGD的教师网络负责提供有关生成布局优点的评分。当缺乏具体的审美标准来指定构成良好布局的内容时，学生网络可以从良好的布局示例中学习。另一方面，如果可以通过定量标准评估布局的好处（即使不是可区分的），学生网络可以将其用作优化目标美学的具体目标。为了实现目标，我们提出了一种新颖的gan变体，自挑战的gan，以了解有关任何审美标准的最佳布局分布，无论标准是否可区分。所提出的图形绘图框架不仅可以以与良好的布局示例相似的样式绘制图形，而且还可以根据任何给定的美学标准优化图形布局。一旦训练了模型，就可以根据示例布局的样式或所选美学标准可视化任意图。全面的实验研究表明，根据普通商定的指标，SMARTGD优于12种基准方法。

持续学习旨在使单个模型能够学习一系列任务，而不会造成灾难性的遗忘。表现最好的方法通常需要排练缓冲区来存储过去的原始示例以进行经验重播，但是，由于隐私和内存约束，这会限制其实际价值。在这项工作中，我们提出了一个简单而有效的框架，即DualPrompt，该框架学习了一组称为提示的参数，以正确指示预先训练的模型，以依次学习到达的任务，而不会缓冲过去的示例。 DualPrompt提出了一种新颖的方法，可以将互补提示附加到预训练的主链上，然后将目标提出为学习任务不变和特定于任务的“指令”。通过广泛的实验验证，双启示始终在具有挑战性的课堂开发环境下始终设置最先进的表现。尤其是，双启示的表现优于最近的高级持续学习方法，其缓冲尺寸相对较大。我们还引入了一个更具挑战性的基准Split Imagenet-R，以帮助概括无连续的持续学习研究。源代码可在https://github.com/google-research/l2p上找到。

由于计算的未来是异质的，因此可伸缩性是单图超分辨率的关键问题。最近的工作尝试训练一个网络，该网络可以部署在具有不同能力的平台上。但是，他们依靠像素稀疏卷积，这不是硬件友好，并且实现了有限的实际加速。由于可以将图像分为各种恢复困难的斑块，因此我们提出了一种基于自适应贴片（APE）的可扩展方法，以实现更实用的加速。具体而言，我们建议训练回归器，以预测贴片每一层的增量能力。一旦增量容量低于阈值，贴片就可以在特定层中退出。我们的方法可以通过改变增量容量的阈值来轻松调整性能和效率之间的权衡。此外，我们提出了一种新的策略，以实现我们方法的网络培训。我们在各种骨架，数据集和缩放因素上进行了广泛的实验，以证明我们方法的优势。代码可从https://github.com/littlepure2333/ape获得

生物医学网络上的自我监督的代表学习（SSL）为药物发现提供了新的机会，这些机会缺乏可用的生物或临床表型。但是，如何有效地结合多个SSL模型是具有挑战性的并且很少探索。因此，我们提出了对药物发现的生物医学网络的自我监督代表学习的多任务联合策略，命名为MSSL2DRUG。我们设计了六种基本的SSL任务，这些任务受到各种方式特征，包括生物医学异构网络中的结构，语义和属性，包括结构，语义和属性。此外，通过两种药物发现场景中的基于图表的对抗的对抗性多任务学习框架评估了多份任务的十五个组合。结果表明了两个重要的发现。 （1）与其他多任务联合策略相比，多模式任务的组合实现了最佳性能。 （2）本地和全球SSL任务的联合培训比随机任务组合产生更高的性能。因此，我们猜想多式联运和本地全球组合策略可以被视为多任务SSL对药物发现的指导。

在本文中，我们提出了一类新的高效的深源通道编码方法，可以在非线性变换下的源分布下，可以在名称非线性变换源通道编码（NTSCC）下收集。在所考虑的模型中，发射器首先了解非线性分析变换以将源数据映射到潜伏空间中，然后通过深关节源通道编码将潜在的表示发送到接收器。我们的模型在有效提取源语义特征并提供源通道编码的侧面信息之前，我们的模型包括强度。与现有的传统深度联合源通道编码方法不同，所提出的NTSCC基本上学习源潜像和熵模型，作为先前的潜在表示。因此，开发了新的自适应速率传输和高辅助辅助编解码器改进机制以升级深关节源通道编码。整个系统设计被制定为优化问题，其目标是最小化建立感知质量指标下的端到端传输率失真性能。在简单的示例源和测试图像源上，我们发现所提出的NTSCC传输方法通常优于使用标准的深关节源通道编码和基于经典分离的数字传输的模拟传输。值得注意的是，由于其剧烈的内容感知能力，所提出的NTSCC方法可能会支持未来的语义通信。