图神经网络（GNN）在从图形结构数据中学习方面取得了巨大的成功。它们被广泛用于各种应用程序，例如建议，欺诈检测和搜索。在这些域中，这些图通常很大，包含数亿个节点和数十亿个边缘 ...

近年来，已经出现了众多开源基础模型，在一些广泛参加的领域取得了显着的进步，其性能非常接近封闭源模型。但是，在高价值但更具挑战性的科学专业领域中，这些领域仍然依赖专家模型，或者与流行地区的一般基础模型的进步显着落后，远远不足以改变科学研究并在这些科学领域中的开源模型和封闭的模型之间存在很大的差距。为了减轻这一差距并探索迈向人工通用情报（AGI）的一步，我们介绍了Intern-S1，这是一位专门的通用 ...

引用视频对象细分（RVO）旨在根据自然语言表达式在视频中进行细分和跟踪对象，需要在视觉内容和文本查询之间进行精确的对齐。但是，现有方法通常会遭受语义不对对准，这在很大程度上是由于训练过程中所有可见对象的偶然框架采样和监督 - 无论它们与表达式的实际相关性如何。为了解决这个问题，我们介绍了一个名为Samdwich的Moment-Mountawane RVOS框架，以及一个新注释的数据集MEVIS-M ...

出价阴影在实时竞标〜（RTB）中起着至关重要的作用，通过自适应调整出价以避免广告商超支。现有的主流两阶段方法，该方法首先模型出价景观，然后使用操作研究技术优化盈余，受到单型假设的约束，这些假设未能适应非连接剩余曲线，并且在顺序工作流程中很容易受到级联错误的影响。此外，连续值的现有离散模型忽略离散间隔之间的依赖性，降低了模型的误差校正能力，而竞标情景中的样本选择偏见给预测带来了进一步的挑战 ...

学习偏微分方程（（PDE）解算子是机器学习中的一个基本问题。然而，在实际应用中学习算子面临着一些挑战，例如不规则网格、多个输入函数以及偏微分方程解的复杂性。为了应对这些挑战，我们提出了一种通用神经算子， Transformer （（gnot），这是一种可扩展且有效的基于 Transformer 的框架，用于学习算子... ...

作为推荐系统中的核心算法，协作过滤（CF）算法不可避免地面临数据稀疏问题。由于CF捕获了类似的用户和项目以获取建议，因此有效地增加了缺乏用户使用者和项目项目同质链接。但是，现有方法通常仅限于通过重叠的相互作用的邻居或类似属性和内容连接 ...

扩散 Transformer 目前以高质量的视频生成领域领域，但是长序列的较慢的迭代降解过程和过度的二次注意力成本会产生明显的推理瓶颈。尽管步骤蒸馏和稀疏的注意机制都表现出有望作为独立加速策略的希望，但有效地结合了这些方法，提出了关键的挑战 - 无训练的整合会产生次优的结果，而单独培训稀疏的逐步蒸馏需要较昂贵的昂贵的高质量高质量视频数据。为了克服这些局限性，我们提出了刀片，这是一个无数据的联合培训 ...

社会意识到的机器人导航随着交付和辅助机器人的增加而越来越受欢迎。需要在自动驾驶汽车中具有社会意识的导航技能，以在与人类共享的空间中安全，适当地移动，从而进一步推动了这项研究。尽管其中大多数是地面机器人，但无人机也进入了该领域 ...