大型语言模型（LLM）被广泛采用，以生成用于各种自然语言处理（NLP）任务的合成数据集，例如文本分类和摘要。但是，准确地衡量这些合成数据集的多样性 - 对于健壮的模型性能 - 捕获至关重要的方面是一个重大挑战。在本文中，我们介绍了DCScore，这是一种从分类的角度测量合成数据集多样性的新方法 ...

被阻塞的人重新识别（REID）是一项公制的学习任务，涉及根据其外观匹配被遮挡的人。尽管许多研究已经解决了由物体引起的遮挡，但多人闭塞的探索仍然较少。在这项工作中，我们确定并解决了先前遮挡的REID方法所忽略的关键挑战：当在同一边界框中可见多个个体时，出现的多人模棱两可（MPA），使得无法确定候选人中预期的REID目标 ...

目的：在癌症手术期间准确对组织边缘进行分类，对于确保完全去除肿瘤至关重要。快速蒸发电离质谱法（REIMS）是一种实时术中边缘评估的工具，生成了需要机器学习模型来支持临床决策的光谱。但是，在手术环境下标记的数据的稀缺提出了重大挑战 ...

具有数十亿个参数的大型语言模型（LLMS）由于许多现实世界应用的高度计算需求，内存需求和不切实际性，面临着全面填充的重大挑战。当面对有限的计算资源或小数据集时，更新所有模型参数通常会导致过度拟合。为了解决这个问题，已经提出了轻巧的固定技术，例如学习低级适配器层 ...

Panoptic分割将语义和实例ID标签分配给图像的每个像素。由于实例ID的排列也是有效的解决方案，因此该任务需要学习高维一对多映射。结果，最先进的方法使用定制的体系结构和特定于任务的损失功能 ...

天体物理学中的机器学习模型通常受到范围的限制，无法适应新工具或任务的数据。我们介绍了SpectraFM，这是一种基于 Transformer 的基础模型架构，可以在任何波长范围和仪器的恒星光谱上进行预训练。 SpectraFM通过将灵活性与从预训练中的知识转移相结合，从而超过传统的机器学习方法，尤其是在培训数据有限的情况下，它可以超越概括 ...

形状是具有时间序列分类的高解释性的判别子序列（或形状）。由于碎屑发现的时间密集型性质，现有的基于碎屑的方法主要集中于选择歧视形状，同时丢弃其他人以实现候选子序列的稀疏。但是，这种方法可能排除有益的形状，并忽略形状对分类性能的不同贡献 ...

本文介绍了Alphaone（$ \ alpha $ 1），这是一个通用框架，用于在测试时调节大型推理模型（LRMS）的推理进度。 $ \ alpha $ 1首先引入$ \ alpha $时刻，它代表带有通用参数$ \ alpha $的规模思维阶段。在此缩放的PRE-$ \ alpha $时刻阶段中，它通过建模推理过渡 Token 作为Bernoulli随机过程的插入来动态安排缓慢的思维过渡 ...