由于时间依赖性复杂和市场波动，财务时间序列的预测仍然是一项具有挑战性的任务。这项研究探讨了混合量子古典方法的潜力，通过利用量子资源来改善功能表示和学习来协助财务趋势预测。引入了定制的量子神经网络（QNN）回归剂，该回归剂设计采用适合财务应用的新颖Ansatz ...

引入了一种黑框光谱方法，以评估给定机器学习（ML）模型的对抗鲁棒性。我们的方法（名为Spade）利用了用于近似于输入/输出数据对应的歧管的输入/输出图之间的射击距离映射。通过利用广义的Courant-Fischer定理，我们提出了一个用于评估给定模型的对抗性鲁棒性的锹分数，事实证明，这是在歧管设置下最好的Lipschitz常数的上限 ...

检索增强的生成（RAG）通过整合外部知识来增强大语言模型（LLM）答案的可靠性。但是，RAG增加了端到端的推理时间，因为从大型矢量数据库中寻找相关文档的计算昂贵。为了解决这个问题，我们介绍了接近度，这是一个近似的键值缓存，通过利用用户查询中的相似性来优化抹布工作流 ...

自回归（AR）模型在产生高保真音乐方面表现出了令人印象深刻的能力。但是，AR模型中传统的下一步预测范式与音乐作品中的人类创造过程不符，可能会损害生成的样本的音乐性。为了克服这一局限性，我们介绍了Musicot，这是一种新颖的经济链（COT），提示为音乐发电量身定制的技术 ...

基于事件的视觉模型（VLM）最近在实践视觉任务方面取得了良好的进步。但是，这些作品中的大多数只是利用剪辑来专注于传统的感知任务，这些任务妨碍了模型理解事件流的足够语义和上下文。为了解决该缺陷，我们提出了EventVl，这是第一个基于生成事件的MLLM（多模式大语言模型）框架，以实现明确的语义理解 ...

大型语言模型（LLM）的最新进展，例如OpenAI-O1和DeepSeek-R1，已经证明了测试时间缩放的有效性，其中扩展的推理过程大大提高了模型性能。尽管如此，当前的模型仍受到处理长文本和增强学习（RL）培训效率的限制。为了解决这些问题，我们提出了一种简单而有效的测试时间缩放方法多发思维 ...

Am-Deepseek-R1启动是一个大规模数据集，具有一般推理任务的思维痕迹，由高质量和挑战性的推理问题组成。这些问题是从多种开源数据集中收集的，受到语义重复数据删除和细致的清洁，以消除测试集污染。数据集中的所有响应都从推理模型（主要是DeepSeek-R1）中提取，并具有严格的验证程序 ...

扩散模型（DMS）已显着提高了现实世界图像超分辨率（Real-ISR）的发展，但是多步扩散模型的计算成本限制了其应用。一步扩散模型在一个采样步骤中生成高质量的图像，从而大大减少了计算开销和推理潜伏期。但是，大多数现有的一步扩散方法都受到教师模型的表现的限制，教师模型的表现差，教师表现不佳会导致图像伪像 ...