低资源语言由于缺乏足够的语言数据，资源和工具而面临重大挑战，例如有监督的学习，注释和分类。这种短缺阻碍了准确的模型和数据集的开发，因此很难执行关键的NLP任务，例如情感分析或仇恨语音检测。为了弥合这一差距，大语言模型（LLMS）为潜在注释者提供了机会，能够为这些代表性不足的语言生成数据集和资源 ...

时空数据面临着与自然语言文本的许多类似挑战，包括序列中的位置（单词），位置之间的长距离依赖性以及具有多种含义的位置。在这项工作中，我们提出了一个新型模型，用于代表高维时空轨迹作为离散位置的序列，并使用基于 Transformer 的神经网络结构对其进行编码。与语言模型类似，我们用于代理表示编码（Stare）模型的序列 Transformer 可以通过两个监督任务学习轨迹数据中的表示和结构（e .. ...

随着车辆系统变得越来越复杂，具有更多功能，服务，传感器，执行器和处理单元，重要的是将车辆视为运输方式，而作为朝着充分自治的运输方式，而且是响应乘员需求的自适应系统。可以开发车辆服务以支持这些适应。但是，即使当前的标准化，最佳实践和准则，车辆服务开发的复杂性不足以应对高度复杂性，期望高达1（美国） ...

当前的视频扩散模型具有令人印象深刻的发电质量，但由于双向关注依赖性，在交互式应用中挣扎。单一帧的生成要求模型处理整个序列，包括未来。我们通过将经过预定的双向扩散 Transformer 调整为自动回旋 Transformer ，该局限性在闪光时生成帧 ...

大自然以形态和行为智力的复杂性发展生物，同时计算方法落后于接近这种多样性和功效。人工生物在硅中的形态和控制的合作式化表明了在物理软机器人和虚拟角色创造中应用的希望；但是，这种方法需要开发新的学习算法，这些算法可以推荐有关纯结构的功能。在本文中，我们提出了diffusebot，这是一种物理增强的扩散模型，该模型生成了能够在各种任务中出色的软机器人形态 ...

检索增强生成（RAG）利用检索工具访问外部数据库，从而通过优化上下文来提高大语言模型（LLM）的生成质量。然而，现有的检索方法存在固有的局限性，因为它们只能在明确陈述的查询和格式良好的知识之间进行相关性匹配，而无法处理涉及模糊信息需求或非结构化知识的任务。因此，现有的 RAG 系统主要适用于简单的问答任务 ...

尽管在各种NLP基准中的检索增强生成（RAG）系统的性能令人印象深刻，但它们在处理现实世界中的用户-LLM交互查询方面的稳健性仍然很大程度上尚未得到充分展望。这为实用部署带来了一个关键的差距，在该差距中，用户查询表现出更大的语言变化，并且可以触发跨相互依存的抹布组件的级联错误。在这项工作中，我们系统地分析了四个语言维度（形式，可读性，礼貌和语法正确性）如何影响抹布的表现 ...

在大规模推荐系统中，用户保留已成为一个关键挑战，从而显着影响在线平台的长期成功。现有方法通常集中在短期参与度指标上，未能捕获长时间的用户偏好和行为的复杂动态。尽管增强学习（RL）方法在优化长期奖励方面表现出了希望，但在应用于用户保留问题时，它们在信用分配，样本效率和探索方面面临困难 ...