带有通用机械臂的外星漫游车在月球和行星探索中有许多潜在的应用。将自主性引入此类系统对于增加漫游车收集科学数据和样本的时间是可取的。这项工作研究了深度强化学习对于基于视觉的机器人抓取月球物体的适用性 ...

现实世界的应用要求分类模型能够适应新的类别而不忘记旧的类别。相应地，类增量学习（CIL）旨在训练一个内存大小有限的模型来满足这一要求。典型的 CIL 方法倾向于保存以前类别中的代表性样本以防止遗忘，而最近的研究发现，存储历史模型可以显着提高性能 ...

自监督对比学习已成为深度学习中的一项关键技术，特别是在时间序列分析中，因为它能够在没有明确监督的情况下学习有意义的表示。增强是对比学习中的关键组成部分，不同的增强可以极大地影响性能，有时影响准确性超过 30%。然而，增强的选择主要是经验性的，这可能不是最优的，或者网格搜索是耗时的 ...

当图传播层的深度超过 8-10 时，图神经网络 (GNN) 的性能急剧下降，这被广泛归因于过度平滑现象。尽管最近的研究表明过度平滑可能不是这种性能下降的主要原因，但他们没有从理论角度提供严格的分析，这值得进一步研究。在本文中，我们系统地分析了深度 GNN 中真正的主导问题，并通过实证实验和理论梯度分析确定了这些 GNN 解决过度平滑的主要工作问题 ...

在这项工作中，我们提出保留网络（RetNet）作为大型语言模型的基础架构，同时实现训练并行性、低成本推理和良好的性能。我们从理论上得出了重复性和注意力之间的联系。然后我们提出了序列建模的保留机制，它支持三种计算范式，即 ...

文本结构化是自然语言处理（NLP）的重要领域之一，由信息提取（IE）和结构形式化组成。然而，当前的文本结构化研究缺乏来自不同领域和语言的手动注释的高质量数据集，这需要专门的专业知识。此外，大多数 IE 方法都是针对特定类型的结构化数据而设计的，例如 ...

将协作信息纳入大型语言模型 (LLM) 是一种很有前途的技术，可以使 LLM 适应推荐。现有方法通过将协作特征与文本标记连接成统一的序列输入，然后进行微调以使这些特征与 LLM 的输入空间对齐来实现这一目标。尽管有效，但在这项工作中，我们发现了将 LLM 应用于推荐任务时的两个限制，这阻碍了一般知识和协作信息的整合，导致推荐性能不佳 ...

如今，许多推荐系统涵盖各个领域，以满足用户的多样化需求，导致用户行为在不同领域之间转换。事实上，不同领域的用户行为揭示了对推荐项目偏好的变化。例如，从负面反馈到正面反馈的转变表明用户满意度有所提高 ...