try

Author: wang-h

_i18n/en/_news/announcement_5.md

@@ -11,5 +11,5 @@ Few-Shot Relational Learning in Visually-Rich Documents
 
 作者：王昊 （讲师）、李唐 （2021级硕士研究生）等
 
-简介：键值关系在视觉丰富文档（VRD）中很普遍，通常在不同的空间区域中描述，并伴有特定的颜色和字体样式。这些非文本是重要的特征，极大地增强了人类对这种关系三元组的理解。然而，当前的文档AI方法无法考虑与视觉和空间特征相关的这些有价值的先验信息，导致性能次优，尤其是在处理有限的示例时。为了解决这一局限性，我们的研究重点是少样本关系学习，特别是针对VRD中键值关系三元组的提取。鉴于缺乏适用于该任务的数据集，我们引入了两个新的基于现有监督基准数据集的少样本基准。此外，我们提出了一种结合关系二维空间先验和原型校正技术的变分方法。这种方法旨在生成关系表示以类似于人类感知的方式意识到空间上下文和看不见的关系。实验结果证明了我们提出的方法的有效性，展示了其优于现有方法的能力。这项研究也为实际应用开辟了新的可能性。
+简介：键值关系在视觉丰富文档（VRD）中很普遍，通常在不同的空间区域中描述，并伴有特定的颜色和字体样式。这些非文本是重要的特征，极大地增强了人类对这种关系三元组的理解。然而，当前的文档AI方法无法考虑与视觉和空间特征相关的这些有价值的先验信息，导致性能次优，尤其是在处理有限的示例时。为了解决这一局限性，我们的研究重点是少样本关系学习，特别是针对VRD中键值关系三元组的提取。鉴于缺乏适用于该任务的数据集，我们引入了两个新的基于现有监督基准数据集的少样本基准。此外，我们提出了一种结合关系二维空间先验和原型校正技术的变分方法。这种方法旨在生成关系表示以类似于人类感知的方式意识到空间上下文和看不见的关系。实验结果证明了我们提出的方法的有效性，展示了其优于现有方法的能力。这项研究也为实际应用开辟了新的可能性。123
 

_i18n/中文/_news/announcement_5.md

@@ -11,5 +11,5 @@ Few-Shot Relational Learning in Visually-Rich Documents
 
 作者：王昊 （讲师）、李唐 （2021级硕士研究生）等
 
-简介：键值关系在视觉丰富文档（VRD）中很普遍，通常在不同的空间区域中描述，并伴有特定的颜色和字体样式。这些非文本是重要的特征，极大地增强了人类对这种关系三元组的理解。然而，当前的文档AI方法无法考虑与视觉和空间特征相关的这些有价值的先验信息，导致性能次优，尤其是在处理有限的示例时。为了解决这一局限性，我们的研究重点是少样本关系学习，特别是针对VRD中键值关系三元组的提取。鉴于缺乏适用于该任务的数据集，我们引入了两个新的基于现有监督基准数据集的少样本基准。此外，我们提出了一种结合关系二维空间先验和原型校正技术的变分方法。这种方法旨在生成关系表示以类似于人类感知的方式意识到空间上下文和看不见的关系。实验结果证明了我们提出的方法的有效性，展示了其优于现有方法的能力。这项研究也为实际应用开辟了新的可能性。
+简介：键值关系在视觉丰富文档（VRD）中很普遍，通常在不同的空间区域中描述，并伴有特定的颜色和字体样式。这些非文本是重要的特征，极大地增强了人类对这种关系三元组的理解。然而，当前的文档AI方法无法考虑与视觉和空间特征相关的这些有价值的先验信息，导致性能次优，尤其是在处理有限的示例时。为了解决这一局限性，我们的研究重点是少样本关系学习，特别是针对VRD中键值关系三元组的提取。鉴于缺乏适用于该任务的数据集，我们引入了两个新的基于现有监督基准数据集的少样本基准。此外，我们提出了一种结合关系二维空间先验和原型校正技术的变分方法。这种方法旨在生成关系表示以类似于人类感知的方式意识到空间上下文和看不见的关系。实验结果证明了我们提出的方法的有效性，展示了其优于现有方法的能力。这项研究也为实际应用开辟了新的可能性。123