大型语言模型（LLM）已经展示了其在数学推理中解决问题的能力。解决工业应用场景中的现实优化（OPT）问题需要先进的应用数学能力。然而，当前仅解决线性规划的 OPT 基准与复杂的现实情况相去甚远 ...

在财务分析领域，利用非结构化数据（例如收益电话会议（ECC））来预测股票波动是一个关键的挑战，吸引了学者和投资者。虽然先前的研究使用了多模式深度学习模型来获取对波动性预测的ECC的一般视图，但它们通常无法捕获详细的复杂信息。我们的研究介绍了一个新颖的框架：\ textbf {ECC Analyzer}，该框架利用大型语言模型（LLMS）从ECC中提取更丰富，更具预测性的内容来帮助该模型的预测性能  ...

变形金刚是当今大型语言模型（LLM）背后的推动力，是其性能和多功能性的基础。然而，它们的计算和内存成本随序列长度增长，对长篇小说推断带来了可伸缩性的挑战。 In response, the algorithm community is exploring alternative architectures, such as state space models (SSMs), linear att ...

从随意捕获的无相机或人姿势信息的铰接主题图像中重建动画的3D人类是一项实用而又具有挑战性的任务，因为观察到的未对准，阻塞和缺乏结构性先验。虽然基于优化的方法可以产生单眼或多视图视频产生的高保真性，但它们需要准确的姿势估计和缓慢的迭代优化，从而限制了不受约束的场景中的可伸缩性。最近的前馈方法可实现有效的单像重建，但努力有效利用多个输入图像来降低歧义并提高重建精度 ...

检索演示的生成（RAG）是一种强大的方法，它使大型语言模型（LLMS）能够合并外部知识。但是，由于数据构建的高成本和缺乏合适的评估指标，评估抹布系统在专业场景中的有效性仍然具有挑战性。本文介绍了Rageval，这是一个框架，旨在通过基于模式的管道生成高质量的文档，问题，答案和参考来评估各种情况的破布系统 ...

在现代推荐系统中，重要的是要了解产品如何相互关系。例如，当用户正在寻找手机时，推荐其他手机可能是有意义的，但是一旦他们购买了手机，我们可能会想推荐电池，情况或充电器。这两种建议称为替代品和补充：替代品是可以购买的产品，而不是彼此购买的产品，而补充是可以购买的产品 ...

改善遥远3D对象的检测是一项重要但具有挑战性的任务。对于基于摄像机的3D感知，3D边界的注释在很大程度上依赖于LIDAR以获得准确的深度信息。因此，由于遥远的物体上的激光点的稀疏性，注释的距离通常受到限制，这阻碍了现有探测器在远程场景中的能力 ...

在许多研究领域，时空问题无处不在，至关重要。尽管深度学习方法已经在建模时空数据中已经证明了潜力，但典型的方法倾向于仅关注对要建模的输出变量的条件期望。在本文中，我们提出了一种多输出的多品质深度学习方法，用于共同对几个条件分位数进行建模以及条件期望，作为一种提供更完整的时空问题预测密度的“图片”的方式 ...