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 ...
大语言模型（LLMS）在高维矢量嵌入中编码语义关系。本文探讨了LLM嵌入空间和量子力学之间的类比，认为LLMS在量化的语义空间内运行，其中单词和短语以量子状态为单位。为了捕获细微的语义干扰效应，我们将标准的实价嵌入空间扩展到复杂域，将相似之处划分为双缝实验 ...
时间流逻辑（TSL）扩展了LTL，更新和谓词在任意函数项上。这允许指定LTL表达不够表达的数据密集型系统。在TSL的语义中，函数和谓词没有解释 ...
虽然扩展法律有望为推荐系统带来显着的性能增长，但有效部署超尺度模型仍然是一个重大的未解决的挑战。与已经广泛采用的FMS（例如自然语言处理和计算机视觉）相反，推荐系统的进展受到独特的挑战的阻碍，包括需要从变化数据分布的在线流数据中学习，需要适应不同的建议表面，其下游任务的多样性及其输入分布及其投入分布及其严格的约束和严格的约束和计算的延迟和计算。为了弥合这一差距，我们建议利用旨在开发和部署Hyper ...
图形神经网络（GNN）正在成为从图形结构化数据中学习并在各种应用程序域中执行复杂的推理任务的强大工具。尽管已证明GNN在适度的图表上有效，但由于缺乏有效的数据访问和数据移动方法，在大规模图上训练它们仍然是一个重大挑战。现有的培训框架GNNS使用CPU进行图形采样和特征聚合，而模型权重的训练和更新是在GPU上执行的 ...
大型语言模型（LLM）具有明显的高级自然语言处理，具有出色的任务概括功能。低级适应（LORA）提供了一种具有成本效益的微调解决方案，冻结了原始模型参数，并且仅训练轻巧，低级别的适配器矩阵。但是，洛拉的内存足迹在很大程度上由原始模型参数主导 ...
