分析理论表明，高质量的数据可以导致在固定数据预算训练的模型中的测试错误较低。此外，如果可以将数据集剥夺其冗余，则可以在较低的计算预算上培训模型，而不会损害性能。核心选择（或数据修剪）试图选择训练数据的子集，以最大程度地提高该子集训练的模型的性能，也称为核心 ...

漫画长期以来一直是讲故事的一种流行形式，它提供了吸引全球观众的视觉引人入胜的叙事。但是，漫画的视觉性质为视视读者带来了重大障碍，限制了他们对这些引人入胜的故事的访问。在这项工作中，我们通过开发一种自动化系统，从漫画漫画中生成基于文本的文学叙事，为这种可及性挑战提供了务实的解决方案 ...

神经网络修剪技术减少了参数的数量，而不会损害网络的预测能力。已经开发了许多用于修剪过度参数完全连接的网络（FCN）和卷积神经网络（CNN）（CNN）的算法，但是缺乏对能力的分析研究和此类修剪后的子网络的压缩率的分析研究。从理论上讲，我们研究了FCN和CNN上两种修剪技术（随机和幅度）的性能 ...

数据集量表的快速增长一直是进步深度学习研究的关键驱动力。但是，随着数据集量表的增加，由于存在低价值样本，包括过多的冗余样本，过度挑战的样本和轻松的样本，训练过程越来越低效率，这些样本对此挑战几乎没有任何贡献，我们提出了对大型数据集进行大型数据集的方法，这些训练的方法是动态的，他们提出了无效的训练。为了删除低价值样本，SETA首先执行随机修剪以消除冗余样品，然后根据剩余的样品根据其学习难度来逐渐通过 ...

解释时间序列预测的最新方法涉及每个时间步骤的实例显着性掩码；但是，由于数据的固有性质，许多类型的时间序列很难在时间域中解释。取而代之的是，我们建议将时间序列的解释性视为可解释零件的显着性图，依靠确定的信号处理方法在信号分解上。具体来说，我们提出了一种称为Flextime的新方法，该方法使用带路库将时间序列分为频段 ...

修饰是原始照片后操作后的重要任务。以文本或笔触为指导的生成编辑为用户提供了一种新工具，但可以轻松地以不可接受且不可预测的方式更改原始对象的身份。相比之下，尽管传统的程序编辑通常由照片编辑工具支持（e ...

我们提出了Hier-slam，这是一种语义3D高斯碎量方法，该方法具有新型的分层分类表示，它可以使3D世界中准确的全局3D语义映射，扩展功能和明确的语义标签预测。语义大满贯系统中的参数用法随着环境的日益复杂性而大大增加，这使得它特别具有挑战性，并且对于场景理解而言，它尤其昂贵。为了解决这个问题，我们介绍了一种新颖的层次表示，将紧凑形式编码的语义信息编码为3D高斯分裂，利用大语言模型（LLMS）的能 ...

近年来，为了能够将人工智能快速部署到计算和内存受限的小型设备中，深度网络剪枝引起了人们的广泛关注。修剪通常是通过删除冗余权重、神经元或深度网络层来实现的，同时尝试保留可比较的测试性能。许多深度剪枝算法已经被提出，并取得了令人印象深刻的经验成功... ...