在推荐系统中，用户兴趣始终处于不断变化的状态。通常，用户的兴趣会经历新兴阶段，稳定阶段和下降阶段，这些阶段被称为“用户利益生命周期”。有关用户兴趣建模的最新论文主要集中于如何计算目标项目与用户历史行为之间的相关性，而没有彻底考虑用户兴趣的生命周期特征 ...

如最近的研究所示，支持机器智能的系统容易受到对抗性操纵或自然分配变化而产生的测试案例。这引起了人们对现实应用程序的部署机器学习算法的极大关注，尤其是在自动驾驶（AD）等安全性领域中。另一方面，由于自然主义场景的传统广告测试需要数亿英里，因为现实世界中安全至关重要的情况的稀有性和稀有性 ...

大型语言模型通常使用每个 Token 作为下一个输入，从而生成 Token 自动加注。最近关于投机解码的工作试图通过采用较小，更快的草稿模型来更快地产生候选 Token 来加速这一过程。然后，这些候选者通过较大（原始）验证模型并联验证，与以自动回归方式使用较大的模型相比，总体加速 ...

组成零射击学习（CZSL）旨在识别训练过程中已知状态和物体形成的新颖概念。现有方法要么学习结合的状态对象表示，挑战了看不见的构图的概括，要么设计两个分类器以与图像特征分开识别状态和对象，而忽略了它们之间的内在关系。为了共同消除上述问题并构建一个更强大的CZSL系统，我们提出了一个新颖的框架，称为“柔软及时融合”（DFSP）1，通过涉及视觉语言模型（VLM），以实现看不见的组成识别 ...

最近的研究强调，由于潜在的后门攻击，第三方预训练的语言模型（PTLMS）的可信赖性的担忧。但是，这些后排的PTLM仅对特定的预定义下游任务有效。实际上，这些PTLM可以适应许多其他无关的下游任务 ...

近年来，大型推理模型（LRMS）的出现，例如OpenAI-O1和DeepSeek-R1，在复杂问题（例如数学和编码）中显示出令人印象深刻的功能 ...

（na），这是第一个高效且可扩展的视觉滑动窗口注意力机制。na是一种逐像素操作，将自注意力（sa）定位到最近的相邻像素，sa的二次复杂度相比，具有线性时间和空间复杂度。与swin transformer的窗口自注意力（wsa）不同，滑动窗口模式允许 ...

人类可以使用视觉和触摸来完成复杂的接触式任务，并具有高反应性的功能，例如快速调整环境变化和对接触力的自适应控制；但是，对于机器人来说，这仍然具有挑战性。现有的视觉模仿学习（IL）方法依赖于动作块来建模复杂的行为，这在块执行过程中缺乏对实时触觉反馈做出立即响应的能力。此外，大多数近距离系统都难以提供细粒的触觉 /力反馈，这限制了可以执行的任务范围 ...