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 ...

激光雷达（LiDAR）的新视图合成（NVS）已成为LiDar模拟中的一项新任务，从新颖的角度提供了宝贵的模拟点云数据，以帮助自主驾驶系统。但是，现有的LIDAR NVS方法通常依赖于神经辐射场（NERF）作为其3D表示，这在培训和渲染中都造成了巨大的计算成本。此外，Nerf及其变体是为对称场景而设计的，使其不适合驾驶场景 ...

常规的多对象跟踪（MOT）系统主要是为行人跟踪设计的，并且通常对其他对象类别表现出有限的概括。本文提出了一个通用的跟踪框架，能够处理多种对象类型，并特别强调复杂的交通场景中的车辆跟踪。提出的方法结合了两个关键组成部分：（1）一种闭塞感的重新识别机制，可增强身份保存，以保护大量闭塞物体，以及（2）采用道义意识的轨道改进策略，该曲目的精致策略，该策略，以语义场景的态度，例如巷道，交叉行动，交叉界和公路 ...

在过去的十年中，深度学习的快速发展（DL）使得在大量遥感图像（RSIS）上进行自动，准确且可靠的变化检测（CD）成为可能。但是，尽管CD方法取得了进步，但由于不同的输入数据和应用程序上下文，它们在现实环境中的实际应用仍然有限。例如，收集到的RSI可以是时间序列观察，需要更有益的结果来指示变更时间或特定的变更类别 ...

本文探讨了对象（左，最右，顶部，底部像素）中极端点的使用，以获取图像和视频的精确对象分割。我们通过在卷积神经网络（CNN）的输入中向图像中添加额外的通道来做到这一点，该通道包含一个以每个极端点为中心的高斯。 CNN学会将这些信息转换为与这些极端要点相匹配的对象的分割 ...

本文报告了第一个受脑启发的大语言模型（Brillm）。这是一个非转变器，非GPT，非传统机器学习输入输出控制的生成语言模型。该模型基于在神经网络方面的信号完全连接的流动（SIFU）定义，并且具有整个模型图上所有节点的解释性，而不是传统的机器学习模型，而传统的机器学习模型仅在输入和输出端具有有限的可解释性 ...

尽管大型语言模型（LLM）表现出了很大的进步，但它们在与图形相关的任务方面的熟练程度仍然有限，从而阻碍了真正的通用模型的发展。先前的尝试，包括预处理基础模型或采用监督的微调，经常面临挑战，例如大规模，普遍代表的图形数据的稀缺性。我们介绍了G1，这是一种简单而有效的方法，证明了对合成图理论任务的加强学习（RL）可以显着扩展LLMS的图形推理能力 ...