XuanzhouLiu,LinZhang,JiaqiSun,YujiuYang,andHaiqinYang.2023.D2Match:leveragingdeeplearninganddegeneracyforsubgraphmatching.InProceedingsofthe40thInternationalConferenceonMachineLearning(ICML’23),Vol.202.JMLR.org,Article933,22454–22472.Abstract子图匹配是基于图的应用程序的基本组成部分，由于其高阶组合特性而具有挑战性。现有的研究通常通过组合优化或基于学习的方法

作者：禅与计算机程序设计艺术1.简介现代医疗卫生领域面临着巨大的需求量，而给患者提供正确、专业的治疗建议成为了现实存在的难题。如何根据患者自身情况，通过对病人的病情描述进行分析，及时为其提供准确且有效的治疗建议，是一个至关重要的问题。为了实现这一目标，需要运用大数据处理、人工智能（AI）、自然语言处理等新技术。基于上述技术特点，本文提出一种基于“关键词匹配”的方法，将患者病情描述文本进行自动化处理，并结合外部知识库构建的自然语言生成模型，为患者提供更为精准、个性化的治疗建议。这种方法能够帮助医疗行业解决以下两个主要问题：治疗效率低下：传统的治疗方式通常采用人工客服人员独立判断并书写治疗方案，这

AugGPT：利用ChatGPT进行文本数据增强摘要1介绍2相关工作2.1数据增强2.2小样本学习2.3超大型语言模型2.4ChatGPT：现在与未来3数据集3.1亚马逊数据集3.2症状数据集3.3PubMed20k数据集4方法4.2使用ChatGPT进行数据增强4.3小样本文本分类4.4BaselineMethods4.5PromptDesign4.6评估指标4.6.1EmbeddingSimilarity4.6.2TransRate4.7ChatGPT的直接分类性能5EXPERIMENTRESULTS5.1分类性能比较5.2增强数据集的评估5.3与ChatGPT的性能比较结论摘要文本数据增

ChatAug:LeveragingChatGPTforTextDataAugmentation论文精读InformationAbstract1Introduction2RELATEDWORK2.1DataAugmentation2.2Few-shotLearning2.3VeryLargeLanguageModels2.4ChatGPT:PresentandFuture3DATASET3.1SymptomsDataset3.2PubMed20kDataset4METHOD4.1OverallFramework4.2DataAugmentationwithChatGPT4.3Few-shotT