一种令人信服的复杂问题回答方法是将问题转换为一系列动作，然后可以在知识库上执行以产生答案，也就是程序员互动方法。对测试问题使用类似的培训问题，Meta学习使程序员能够适应看不见的问题，以快速解决潜在的分配偏见。但是，这是以手动标记类似问题来学习检索模型的代价的，这是乏味而昂贵的 ...
在这项工作中，我们提出了一个称为文档图像 Transformer （Doctr）的新框架，以解决文档图像的几何形状和照明失真的问题。具体而言，学说包括一个几何不良的 Transformer 和一个照明校正 Transformer 。通过设置一组学习的查询嵌入，几何不释放的 Transformer 通过自我发项机制捕获文档图像的全局上下文，并解码像素的位移解决方案以纠正几何变形 ...
我们为GPU体系结构上的可变长度解码提出了有效的分批策略。在解码过程中，当候选人终止或根据启发式终止修剪时，我们的流媒体方法会定期“重新填充”批次，然后再进行选定的候选人子集。我们将方法应用于最先进的机器翻译模型上的可变宽度梁搜索 ...
在过去的一年中，我们目睹了基于扩散的视频发电的前所未有的成功。最近提议的模型从任意输入提示中进行了平稳的动作，发挥了创造电影和高分辨率视频的力量。但是，作为图像生成的超级武器，视频生成模型需要更多的计算，因此主要托管在云服务器上，从而限制了内容创建者的更广泛采用 ...
最近，多模式提示引入了所有缺失模态案例的可学习的缺失提示，表现出令人印象深刻的性能。但是，它遇到了两个关键问题：1）提示的数量随着模式的增加而呈指数增长； 2）在训练和推理之间缺少不同的方式设置不同的情景中，它缺乏鲁棒性。在本文中，我们提出了一个简单而有效的提示设计，以应对这些挑战 ...
人类可以通过回忆和概括从过去的经验中获得的原始概念来学习新颖的构图概念。受这一观察的启发，在本文中，我们提出了MetareVision，这是一种检索增强的元学习模型，以解决视觉上扎根的构图概念学习问题。拟议的元视频由一个检索模块和一个元学习模块组成，该模块旨在将检索到的原始概念纳入元素培训视觉语义模型，以构成接地构图概念识别 ...
我们使用即将到来的平方公里阵列（SKA）的快速无线电爆发（SKA）的快速无线电爆发（FRB）介绍了宇宙学参数估计，重点介绍了暗能量，哈勃常数和巴里昂密度的问题。我们从10年的SKA观察中模拟了$ 10^5 $和$ 10^6 $局部的FRB，并发现：（i）仅使用$ 10^6 $ frb数据可以严格限制与CMB+BAO+SNE更好的状态参数的黑暗能量方程，从而提供了独立的宇宙学调查以探索黑暗的能量； ...
元学习在低资源文本分类中实现了有希望的表现，该分类旨在识别具有从源类中传递的知识类别的目标类别，其中包含一组名为情节的小型任务。但是，由于元学习场景中的训练数据有限和参数化神经网络的固有特性，因此较差的泛化性能已成为一个需要解决的紧迫问题。为了解决这个问题，我们提出了一种基于元学习的方法，称为检索元素元学习（RAML） ...
