基于图形的社交建议系统在增强建议性能方面表现出了巨大的希望，尤其是在解决用户行为中数据稀疏问题方面。通常，这些系统利用图形神经网络（GNN）来通过纳入观察到的社交网络的高阶社交影响来捕获用户偏好。但是，现有的基于图的社交建议通常忽略了以下事实：社交网络本质上是嘈杂的，其中包含任务 - 无关紧要的关系，可以阻碍准确的用户偏好学习 ...

AI安全领域旨在防止或减少AI系统造成的伤害。一个简单而有吸引力的说明AI安全性是该领域是该功能是构成型的：一个研究项目属于AI安全性的权限，以防万一它旨在防止或减少由AI系统造成的危害。称此非常有吸引力的简单说明AI安全的安全概念 ...

大型语言模型（llm）已显示出令人印象深刻的能力，但也存在令人担忧的产生幻觉的倾向。本文介绍了refchecker，这是一个引入声明三元组来表示llm响应中的声明的框架，旨在检测细粒度的幻觉。在refchecker中 ...

WebText，wikipedia，概念标题，webimageText和laion等海量数据语料库推动了ai领域近期的巨大进步。在此类数据集上训练的大型神经模型产生了令人印象深刻的结果，并且在当今的许多基准测试中名列前茅。这个大型数据集系列中一个值得注意的遗漏是3d数据... ...

视频实例细分（VIS）是具有不同应用程序的关键任务，包括自动驾驶和视频编辑。现有方法通常在现实世界中的复杂和长视频上表现不佳，这主要是由于两个因素。首先，离线方法受到紧密耦合的建模范式的限制，该模型范式均等对待所有帧并无视相邻帧之间的相互依赖性 ...

我们介绍\ textbf {d} ecoupled \ textbf {vi} deo \ textbf {s} ementementation（dvis）框架，这是一种具有挑战性的通用视频细分任务的新方法，包括视频实例段（VIS），视频语义分割（VISE Semantic Sementation（VIS），视频语义序列（VSS），和视频panoptict（视频panoptict）。与以前以端到端 ...

众所周知，大型语言模型（LLM）容易受到精心设计的对抗性攻击或越狱，尽管使用安全微调方法与人类的偏好保持一致，但导致了令人反感的内容。尽管输入 Token 空间的巨大维度使得找到可以越狱这些模型的对抗性提示是不可避免的，但我们旨在评估安全性微调的LLM是否安全地抵抗自然提示，这些提示与有毒种子提示在对齐后会引起安全响应。我们出乎意料地发现，流行的对齐的LLM（例如GPT-4）可以使用幼稚的提示来妥 ...

基于 Transformer 的大型语言模型（LLM）在各种任务中取得了巨大的成功。然而，由于资源限制和沟通开销，对联合学习（FL）设置中的这种大规模模型（FL）设置中的微调构成了重大挑战。低级适应性（LORA）通过训练紧凑，低级矩阵而不是完全微调的大型模型来解决这些问题 ...