近期，我院科研团队在数据挖掘、计算机视觉、自然语言处理领域均取得新进展。新成果分别被KDD 2021 (CCF推荐A类会议，数据挖掘顶级学术会议)，CVPR 2021 (CCF推荐A类会议，计算机视觉顶级学术会议)，EMNLP 2021 (CCF推荐B类会议，自然语言处理顶级学术会议) 录用。

论文“Dimensionwise Separable 2-D Graph Convolution for Unsupervised and Semi-Supervised Learning on Graphs” 由我院张晓彤副研究员、刘晗副教授与香港理工大学、华为诺亚方舟等合作者共同完成。该工作被KDD 2021录用。图卷积神经网络是处理图数据的经典算法，是众多图神经网络算法的基础，它在社交网络、推荐系统、生物领域获得广泛应用。但这些方法只利用一维图卷积对图进行建模，很容易受到噪声边和低度节点的干扰。该工作提出二维图卷积框架，将一维图卷积扩展到二维图卷积，从节点的不同维度对图进行建模，增强了传统图神经网络的建模能力。在多个真实图数据的实验中，该方法相比于一维图神经网络方法提升约5%甚至10%的分类和聚类性能。

论文“Posterior Promoted GAN with Distribution Discriminator for Unsupervised Image Synthesis” 由我院张宪超教授、程紫阳同学（研三、工作于字节跳动）、张晓彤副研究员、刘晗副教授合作完成。该工作被CVPR 2021录用。生成对抗网络GAN是图像生成领域的经典算法，在生成器中足够的真实信息对于图像生成的质量起到关键作用。但现有GAN相关的方法主要在生成器的输入端添加真实先验，真实信息会随着网络层数的增加而衰退。该工作提出P2GAN，让判别器输出分辨真假实例的后验分布，通过风格迁移方法将后验分布融入生成器各层，约束生成器输出更接近真实情况的图像。在多个公共图片数据集上的实验中，P2GAN比最先进的GAN在图像生成上有更优秀的性能。

论文“An Explicit-Joint and Supervised-Contrastive Learning Framework for Few-Shot Intent Classification and Slot Filling” 由我院刘晗副教授、张枫同学（大四、保研至北京大学）、张晓彤副研究员、赵思洋同学（大四、保研至本校）、张宪超教授合作完成。该工作被EMNLP 2021 Findings长文录用。意图识别和槽位填充是任务型对话系统中至关重要的环节。然而，随着任务场景愈加广泛，用户意图愈渐多样，各种快速涌现的新意图面临的严重数据匮乏问题已经成为任务型对话系统的巨大挑战。该工作提出小样本意图识别和槽位填充显式联合学习模型，并融入监督对比学习进一步改善模型的判别能力。同时，为了适应真实应用中数据不平衡的情况，实验中采用了更加灵活的Any-way Any-shot设置。相比于现有方法，该工作在多个真实对话数据集上均取得了非常显著的效果。