在本文中，我们提出了一个专家协作（CoE）框架，以汇集多个网络的专业知识以实现共同目标。每个专家都是一个单独的网络，拥有数据集独特部分的专业知识，这增强了集体能力。给定一个样本，委托人会选择一位专家，同时输出一个粗略的预测以支持提前终止 ...

半结构化表无处不在。有多种旨在自动解释、扩充和查询表的任务。当前的方法通常需要对表进行预训练或特殊的模型架构设计，仅限于特定的表类型，或者对表和任务有简化的假设 ...

图神经网络（GNN）通过聚合和组合邻居信息来学习节点特征，这在许多图任务上取得了良好的性能。然而，GNN 大多数被视为黑匣子，缺乏人类可理解的解释。因此，如果 GNN 模型无法解释，它们就不能被完全信任并用于某些应用领域 ...

使用大型语言模型 (LLM) 进行基于表格的推理是解决许多表格理解任务（例如基于表格的问答和事实验证）的一个有前途的方向。与通用推理相比，基于表格的推理需要从自由形式的问题和半结构化表格数据中提取底层语义。思想链及其类似方法以文本上下文的形式整合了推理链，但如何在推理链中有效利用表格数据仍然是一个悬而未决的问题 ...

大型语言模型在许多 NLP 任务上取得了显着进展，研究人员正在转向更大的文本语料库来训练它们。一些最大的可用语料库是通过抓取互联网的重要部分而创建的，并且通常只用最少的文档进行介绍。在这项工作中，我们提供了 Colossal Clean Crawled Corpus 的一些第一份文档（C4；Raffel 等人） ...

我们推出 LaViLa，这是一种利用大型语言模型 (LLM) 学习视频语言表示的新方法。我们重新利用预先训练的 LLM 以视觉输入为条件，并对它们进行微调以创建自动视频旁白。我们自动生成的旁白具有许多优势，包括长视频的密集覆盖、视觉信息和文本更好的时间同步以及更高的文本多样性 ...

物理信息神经网络 (PINN) 已成为一种有前途的深度学习框架，用于近似偏微分方程 (PDE) 的数值解。然而，传统的 PINN 依赖于多层感知器（MLP），忽略了实际物理系统中固有的关键时间依赖性，因此无法在全局范围内传播初始条件约束并准确捕获各种场景下的真实解。在本文中，我们介绍了一种新颖的基于 Transformer 的框架，称为 PINNsFormer，旨在解决这一限制 ...

使用微生物作为生物工厂的一个关键问题是使细胞群落达到并维持所需的密度和组成，以便它们能够有效地将其生物质转化为有用的化合物。生物反应器是实时、可扩展地控制细胞密度的有前途的技术平台。在这项工作中，我们开发了一种基于学习的策略来扩展可用控制算法的工具箱，该工具箱能够调节生物反应器中 \textit{single} 细菌群体的密度 ...