通用视觉异常检测旨在鉴定新的或看不见的视觉域的异常，而无需进行其他微调，这在开放的情况下至关重要。最近的研究表明，预训练的视觉模型（如夹子）表现出强烈的概括，仅零或一些正常图像。但是，现有的方法在设计及时的模板，复杂的 Token 互动或需要进行其他微调方面困难，从而导致灵活性有限 ...

我们引入了一种数据驱动的方法，用于在金丝雀模型中启用单词级时间戳预测。准确的时间戳信息对于各种下游任务，例如语音内容检索和定时字幕至关重要。尽管传统的混合系统和端到端（E2E）模型可以采用外部模块进行时间戳预测，但我们的方法消除了对单独的对齐机制的需求 ...

尽管大型语言模型（LLMS）在各种任务中表现出了出色的性能，但他们最突出的缺点之一是用自信的语调生成不准确或错误的信息。在本文中，我们提供了证据表明LLM的内部状态可用于揭示陈述的真实性。这包括提供给LLM的语句以及LLM本身生成的语句 ...

图生成模型在生物学，化学和社会科学中具有广泛的应用。但是，由于图的离散和高维质以及对基础图分布中的节点订单的排列不变性，建模和理解图的生成过程是具有挑战性的。当前领先的自回旋模型无法捕获图形的置换不变性性质，以依赖生成排序，并且具有较高的时间复杂性 ...

从历史上看，科学发现一直是一个漫长而昂贵的过程，从最初的概念到最终结果需要大量时间和资源。为了加速科学发现，降低研究成本并提高研究质量，我们介绍了代理实验室，这是一个能够完成整个研究过程的基于自主LLM的框架。该框架接受了人类提供的研究思想，并通过三个阶段进行了进展 - 验证，实验和报告写作，以产生全面的研究成果，包括代码存储库和研究报告，同时使用户能够在每个阶段提供反馈和指导 ...

深度学习通过其强大的捕获序列关系的能力来预测深度​​的时间序列。但是，通过均方误差（MSE）损失训练这些模型通常会导致过度平滑的预测，从而使处理复杂性并从具有较高可变性和不可预测性的时间序列数据中学习复杂性并学习高渗透特征。在这项工作中，我们通过将时间序列值介绍为通过跨膜片丢失来训练预测模型的新方法，同时考虑了时间序列数据的连续性 ...

大型语言模型现在是人类决策过程中的关键助手。但是，似乎总是有一个普遍的说明：“ LLM会犯错误。请务必使用重要信息 ...

l $ _2 $ 正则化和权重衰减正则化对于标准随机梯度下降（当通过学习率重新调整时）是等效的，但正如我们所证明的，这与自适应梯度算法（例如，亚当）的情况不同。虽然这些算法的常见实现采用l $ _2 $ 正则化（通常称其为“权重衰减”，由于我们公开的不等价性，这可能会产生误导），但我们提出了一个简单的修改 ...