自动驾驶车辆（（AV）需要在规划自己的运动时推理邻近智能体的多模式行为。许多现有的轨迹规划者寻求一条在所有可能的未来下同时表现良好的单一轨迹，忽略了双向交互，从而导致了过于保守的计划。策略规划，即自我代理计划对环境的多模式行为做出反应的策略，是一个有前途的方向，因为它可以解释自动驾驶汽车和环境之间的动作反应相互作用... ...

最近，使用蒙版的学生教师方法，自我监管的学习框架Data2Vec显示了各种模式的鼓舞人心的表现。但是，如果这种框架概括为3D点云的独特挑战，那么仍然开放。为了回答这个问题，我们将Data2Vec扩展到点云域，并在几个下游任务上报告令人鼓舞的结果 ...

知识图完成（KGC）通常需要kg结构和文本信息才能有效。预训练的语言模型（PLM）已用于学习文本信息，通常是在KGC任务的微调范式下。但是，微调的PLM通常压倒性地集中在文本信息和忽略结构知识上 ...

大型语言模型 (LLM) 与指令调优相结合，在泛化到未见过的任务时取得了重大进展。然而，它们在信息提取（IE）方面不太成功，落后于特定任务模型。通常，IE 任务的特点是复杂的注释指南，这些指南描述任务并向人类提供示例 ...

生成推荐最近已成为信息检索的有希望的范式。但是，生成排名系统仍在研究中，尤其是在大规模工业环境中的有效性和可行性方面。本文在Xiaohongshu的Explore Feed的排名阶段调查了该主题，该explore Feed是一个推荐的系统，可为数亿用户提供服务 ...

本文描述了DB3团队中Meta KDD杯24中所有任务的获胜解决方案。挑战是从网络源和知识图构建一个抹布系统。为每个查询提供了多个来源，以帮助我们回答这个问题 ...

由于它们在视觉生成方面的功能增强，扩散 Transformer （DIT）最近引起了行业和学术界的重大兴趣，超过了采用U-NET的传统扩散模型的性能。但是，DIT的性能的提高是以较高的参数计数和实施成本为代价的，这大大限制了其在移动电话等资源受限设备上的部署。我们提出了DITA，这是一种无数据的培训后量化（PTQ）方法，以进行有效的DIT推断 ...

最近的扩散 Transformer （DIT）的引入通过使用不同的骨干架构，从传统的U网络中偏离并包含变形金刚的可扩展性，从而在图像生成中表现出了出色的功能。尽管具有高级功能，但在推理阶段的大量计算需求阻碍了大量的DIT部署，特别是对于实时应用程序。训练后量化（PTQ）已成为一种快速和数据效率的解决方案，可以通过使用低位权重和激活来大大减少计算和内存足迹 ...