在本文中，我们提出了一种用于通信系统中信道估计的深度学习（ dl）知值来找到信道响应的未知值... ...
结构化数据富含逻辑和关系信息，llm）的推理能力。尽管如此，它的集成仍然带来了挑战，因为过多的， Token 和不相关的上下文信息可能会压垮llm。为了解决这个问题，我们提出了struct-x，这是一种新颖的框架，它通过五个关键阶段进行操作：“读取-模型-填充-反射-反射-原因”，有效地使llm能够利用结构化数据... ...
在现代农业中，对植物和水果的精确监测对于高通量表型和自动收获等任务至关重要。本文解决了从部分观点中重建准确的3D水果形状的挑战，这在农业环境中很常见。我们介绍了CF-PRNET，这是一种粗到最新的原型精炼网络，在训练阶段利用高分辨率3D数据，但仅需要一个RGB-D图像才能实时推断 ...
在回答复杂的问题时，人们可以无缝地结合视觉，文本和表格源的信息。尽管近年来，人们对多个证据的理由的兴趣已经激增，但在回答跨多种模式的模型上的问题相对较少。在本文中，我们介绍了多模式（MMQA）：一个充满挑战的问题回答数据集，需要对文本，表和图像进行联合推理 ...
自我划分最近在其图形学习的新领域飙升。它有助于图表表示有益于下游任务；但是它的成功可以取决于手工业的领域知识或通常昂贵的试验和错误。即使是其最先进的代表，图形对比度学习（GraphCl）也并不完全不含这些需求，因为GraphCl使用了图形数据增强的临时手动选择的预制先验 ...
在大规模预训练的进展中，参数效率的转移学习在人工智能的不同子场上获得了巨大的流行。核心是将模型调整为只有一小部分参数的下游任务。最近，研究人员在多模式任务中利用了这种验证的技术，并实现了令人鼓舞的结果 ...
为学生的编程作业提供个性化和及时的反馈，对于编程教育很有用。自动化程序维修（APR）技术已被用来修复编程分配中的错误，其中大型语言模型（LLMS）方法显示出令人鼓舞的结果。鉴于在高级编程任务中识别和修复错误的复杂性越来越大，因此，APR的当前微调策略不足以指导LLM来识别错误并在生成维修过程中进行准确的编辑 ...
Focused-DPO: Enhancing Code Generation Through Focused Preference Optimization on Error-Prone Points
代码生成模型显示出对自动化编程任务的显着潜力。但是，由于任务的高度复杂和长期的性质，生成准确和可靠的代码的挑战仍然存在。由于较小的错误，即使是最先进的模型也常常在代码生成中失败，这可能会严重影响代码的整体功能 ...
