在各种现实世界中，无人驾驶汽车（UAV）已被广泛采用。但是，多-UAV系统的控制和优化仍然是一个重大挑战，尤其是在动态和约束环境中。这项工作探讨了包括高海拔平台站（HAP）在内的集成地面和非事物网络中运行的多个UAV的联合运动和通信控制 ...

对比损失已被广泛用作多模式表示学习的工具。但是，从经验上观察到，他们的使用对于学习一致的表示空间无效。在本文中，我们认为这种现象是由表示空间中特定于模式的信息引起的 ...

大型推理模型（LRMS）的最新进展表明，诸如多步推理和自我反射之类的复杂行为可以通过可验证的奖励〜（\ textit {rlvr}）通过强化学习而出现。但是，现有的\ textIt {rlvr}方法本质上是``policy''，将学习限制为模型自己的输出，并且未能超出其初始能力以外的推理能力。为了解决此问题，我们介绍\ textbf {luffy}（\ textbf {l}收入以\ textbf  ...

不同的域和偏见的数据集可能会导致训练和目标分布之间的差异（称为协变量移动）。当前减轻此方法的方法通常依赖于估计训练和目标概率密度功能的比率。这些技术需要参数调整，并且在不同的数据集中可能不稳定 ...

著名的SEQ2SEQ技术及其众多变体在许多任务（例如神经机器翻译，语义解析和数学单词问题解决）方面具有出色的性能。但是，这些模型要么仅将输入对象视为序列，同时忽略了用于编码的重要结构信息，要么只是将输出对象视为序列输出而不是用于解码的结构对象。在本文中，我们提出了一个新颖的图形神经网络，即由图形编码器和分层树解码器组成的Graph2Tree，它编码增强的图形结构化输入并解码树结构化的输出 ...

本文介绍了Longbench V2，这是一种基准测试，旨在评估LLM的能力处理长篇小说问题，需要在现实世界中进行深入理解和推理。 Longbench V2由503个挑战性的多项选择问题组成，上下文范围从8K到2M单词，跨越了六个主要任务类别：单案QA，多文档质量质量质量检查，长期内在的内在学习，长期元素历史记录理解，代码reposority Reposority，代码恢复性的理解以及长期结构化的数 ...

在线社会系统面临的主要挑战之一是反社会行为的普遍性，例如骚扰和人身攻击。在这项工作中，我们介绍了从对话开始时预测是否会失控的任务。与发现事实后发现不良行为相比，此任务旨在在可能仍能挽救对话的时候实现早期，可行的预测 ...

深度学习方法已经显着提出了各种数据驱动的任务，例如回归，分类和预测。但是，这种进步的大部分是基于强烈但通常不切实际的假设，即训练数据集相对于它们所包含的目标是平衡的。这种与现实情况的未对准，在现实世界中，数据经常失衡，这阻碍了此类模型在实际应用中的有效性 ...