在标准的医院血液检测中，传统过程需要医生使用显微镜从患者血液的显微图像中手动分离白细胞。然后通过自动白细胞分类器对这些分离的白细胞进行分类，以确定血液样本中存在的不同类型白细胞的比例和体积，从而帮助疾病诊断。这种方法不仅费时费力，而且由于图像质量和环境条件等因素而容易出错，可能导致后续分类错误和误诊... ...
虽然语言模型 (LM) 已被证明非常擅长生成代码，但对于 LM 来说，仅使用其参数知识生成许多程序仍面临挑战。提供外部上下文（例如库文档）可以促进生成准确且功能性的代码。尽管检索增强生成（RAG）在各种面向文本的任务中取得了成功，但其改进代码生成的潜力仍未得到充分开发 ...
端到端任务导向对话（（Etod）可以直接以端到端的方式生成响应，无需模块化训练，因此越来越受欢迎。深度神经网络的进步，特别是大型预训练模型的成功使用，进一步带动了近年来 ...
随着大型语言模型（LLM）的出现，将它们应用于解决困难的编程任务方面引起了很多兴趣。最近的工作表明了他们在计划优化方面的潜力，这是编程语言研究中的关键挑战。我们提出了一种称为检索增强搜索（RAS）的黑框适应方法，该方法在候选优化方面执行了光束搜索。在每个步骤中，它都会从给定的慢速程序对的给定培训数据集中检索示例，以指导LLM ...
大型语言模型（LLMS）在编码临床知识并以适当的临床推理来响应复杂的医疗查询方面表现出了显着的进展。但是，它们在专科或复杂的医疗环境中的适用性仍未得到充实。在这项工作中，我们探究了艾米（Amie）在乳房肿瘤学护理的非专业领域艾米（Amie）的表现，而没有对这个具有挑战性的领域进行细微调整 ...
医学的核心是医师对话，在这里，熟练的历史记录为准确的诊断，有效的管理和持久的信任铺平了道路。能够诊断对话的人工智能（AI）系统可以提高可访问性，一致性和护理质量。但是，近似临床医生的专业知识是一个杰出的挑战 ...
这项工作从模仿学习的角度研究了大语言模型与偏好数据的一致性。我们建立了从人类反馈RLHF和模仿学习（IL）的强化学习之间的紧密理论联系，揭示了RLHF隐含地对偏好数据分布进行模仿学习。在此联系的基础上，我们提出了DIL，这是一个直接优化模仿学习目标的原则性框架 ...
虽然深入学习的推荐系统表现出强大的性能基准，但由于用户项目关系数据的使用有限，并且在建议生成中的透明度不足，许多人由于使用了有限的使用而难以在现实世界中有效地适应。传统的协作过滤方法无法整合多方面的项目属性，尽管分解机计算了特定于项目的细节，但它们忽略了更广泛的关系模式。基于协作知识图的模型通过将用户项目交互与项目属性关系嵌入，为互连实体提供了整体观点 ...
