血管、道路等拓扑管状结构的精确分割在各个领域都至关重要，可确保下游任务的准确性和效率。然而，许多因素使任务变得复杂，包括薄的局部结构和可变的全局形态。在这项工作中，我们注意到管状结构的特殊性 ...

最近的成功表明，基础模型作为视觉转移学习的最先进方法，取代了诸如元学习之类的替代品的丰富文献。在试图利用两全其美的过程中，Meta-Tuning引入了基础模型的随后优化阶段，但到目前为止，仅显示有限的成功，至关重要的是在表现不佳（OOD）任务上表现不佳。在本文中，我们引入了稀疏的元调整（SMAT），这是一种受稀疏混合物方法启发的方法，并受过训练，可以自动隔离预训练参数的子集，以在每个任务上进行元调 ...

现代人工智能的基础机器学习驱动了从根本上改变世界的创新。然而，进步的背后是一个复杂且通常是乏味的过程，需要劳动并计算密集的迭代和实验。开发机器学习模型的工程师和科学家将大部分时间用于试用任务，而不是概念化创新的解决方案或研究假设 ...

加强学习与SIM到运行转移相结合，为开发腿部机器人开发运动控制器提供了一个通用框架。为了促进在现实世界中的成功部署，通常采用平滑技术（例如低通滤波器和平滑度奖励）来制定平稳行为的政策。但是，由于这些技术是不可差异的，通常需要对大量超参数进行乏味的调整，因此它们倾向于为每个机器人平台进行大量的手动调整 ...

开发有效增强学习（RL）管道的主要挑战通常是设计和调整奖励功能。精心设计的塑造奖励会导致学习速度明显更快。但是，天真的表述奖励可能与所需的行为相抵触，如果不正确调整，则会导致过度拟合甚至不稳定的性能 ...

Experts（MOE）模型在计算机视觉和自然语言处理方面的各种任务中获得了最先进的性能，在实现最先进的表现方面已获得了普及。他们有效地扩大了模型能力，同时培训期间计算成本的增加最小。但是，由于其较大的尺寸和复杂的通信模式，将这种模型部署用于推理是困难的 ...

背包问题（KPS）在行业中很常见，但是解决KPS是NP-HARD的，并且仅在相对较小的规模上才能进行处理。本文以略有概括的形式研究了KP，并表明它们可以通过分布式算法在大小上几乎最佳地求解。通过现成的分布式计算框架可以很容易地实现所提出的方法（e ...

大型语言模型（LLMS）表现出在一系列自然语言处理任务中的熟练程度。部署后，LLMS会遇到具有个性化事实知识的用户，并且通过用户与LLMS的互动来反映这种个性化知识。为了增强用户体验，实时模型个性化至关重要，允许LLMS根据人类交互期间的用户反馈来调整用户特定知识 ...