Update README.md

README.md

@@ -2,13 +2,13 @@
 license: cc-by-nd-4.0
 ---
 
-# BD4UI Lab sharing repository
+# BD4UI 实验室 组会分享仓库
 
 > **PPT文件见Files and versions. PPT文件按分享日期与方法名缩写来命名.**
 
 
-| 日期       | 分享人                             | 论文标题   |   论文链接    |  论文摘要  | 
-| --------- | ---- | ----------- | ----------  | -------   |
+| 日期      | 分享人  | 论文标题   |   论文链接    |  论文摘要  | 
+| --------- | ---------- | ----------- | ----------  | -------|
 | 2024/4/9        | 于志刚                            | GraphTranslator: Aligning Graph Model to Large Language Model for Open-ended Tasks   |   https://arxiv.org/pdf/2402.07197   |  图模型（GM）往往仅限于预定义格式（如节点分类）内的任务，无法完成开放式任务。LLM则可以完成开放式任务。尽管已经有几种将LLM应用于图的方法，但是它们不能同时处理预定义和开放式任务。本文试图将图模型与大语言模型对齐，从而使得模型能够同时处理预定义和开放式任务。  | 
 | 2024/4/16         | 杨珂懿                       | DYffusion: A Dynamics-informed Diffusion Modelfor Spatiotemporal Forecasting   |   https://arxiv.org/pdf/2306.01984    |  提出了一种方法，用于有效地训练扩散模型进行概率时空预测，在这方面，生成稳定和准确的预测仍然是一个挑战。我们的方法，DYffusion，利用数据中的时间动态，将其与模型中的扩散步骤直接耦合。我们训练了一个随机的、时间条件的插值器和预测网络，分别模仿标准扩散模型的正向和反向过程。DYffusion自然地促进了多步骤和长范围的预测，允许高度灵活的、连续时间的采样轨迹，并能在推断时用加速采样来权衡性能。与传统基于高斯噪声的扩散模型相比，显著提高了计算效率。  | 
 | 2024/4/23         | 曹敏君                            | Mamba: Linear-Time Sequence Modeling with Selective State Spaces   |   https://arxiv.org/pdf/2312.00752   | 本文介绍了一种新的序列模型架构，名为Mamba，它通过选择性状态空间模型（Selective State Space Models, SSMs）来改进传统的状态空间模型。Mamba通过输入依赖的方式调整SSM参数，允许模型根据当前的数据选择性地传递或遗忘信息，从而解决了以前模型在处理离散和信息密集型数据（如文本）时的不足。此外，尽管这种改变使得模型不能使用高效的卷积计算，研究者设计了一种硬件感知的并行算法，以递归模式运行，使得Mamba在推理速度上比传统的Transformer快5倍，并且在序列长度上实现线性缩放。  |