我们通过应用转向向量来修改向前传球中的模型激活，从而在大语言模型（LLMS）中提出了一种新颖的方法来缓解偏差。我们采用贝叶斯优化来系统地识别跨九个偏置轴的有效对比度数据集。当对烧烤数据集进行优化时，我们单独调整的转向向量的平均改进为12 ...

随着大规模语言模型（LLM）继续扩展，必要的计算能力和带宽升级。为了解决这个问题，我们介绍了UB-Mesh，这是一种新颖的AI数据中心网络架构，旨在提高可扩展性，性能，成本效益和可用性。与提供对称节点到节点带宽的传统数据中心不同，UB-MESH采用层次局部的ND-FullMesh网络拓扑 ...

理解具有丰富布局和多模式组件的文档是一项长期且实际的任务。最近的大型视觉语言模型（LVLM）在各种任务中取得了显着的进步，特别是在单页文档理解（DU）方面。然而，他们在长上下文 DU 上的能力仍然是一个悬而未决的问题 ...

从一个数据空间（或域）到另一个数据空间是现代数据分析最具挑战性的任务之一。如果正确完成适应性，则在与描述相同语义概念（类）的数据面对数据时，建立在特定数据空间上的模型将变得更加健壮，但由另一个具有其自身特异性的观察系统观察到。在提议将一个域调整到另一个域的众多策略中，找到共同的表示形式显示出了出色的特性：通过为两个域找到一个共同的表示形式，单个分类器可以有效地有效，并使用来自源域的标记样品来预测目 ...

在现实世界中，图结构化数据很丰富。在不同的图形类型中，机器学习研究人员特别感兴趣的定向无环图（DAG），因为许多机器学习模型都被实现为DAGS上的计算，包括神经网络和贝叶斯网络。在本文中，我们研究了DAGS的深层生成模型，并提出了一种新型DAG变化自动编码器（D-VAE） ...

在部署大型语言模型（LLMS）时，检索增强的生成（RAG）已变得无处不在，因为它可以解决典型的限制，例如生成幻觉或过时的信息。但是，当构建现实世界的破布应用时，会出现实际问题。首先，检索到的信息通常是特定于域的 ...

汉密尔顿蒙特卡洛（HMC）是马尔可夫链蒙特卡洛（MCMC）算法，它避免了随机行走行为和对相关参数的敏感性，这些参数通过采取一系列以一阶梯度信息告知的步骤来困扰许多MCMC方法。这些功能使其能够比更简单的方法（例如随机步行都会或吉布斯采样）更快地收敛到高维目标分布。但是，HMC的性能对两个用户指定参数高度敏感：步长{\ epsilon}和所需的步骤L ...

有条件的扩散模型在高保真文本引导的视觉生成和编辑中表现出卓越的性能。然而，盛行的文本引导的视觉扩散模型主要集中于将文本 - 视觉关系专门纳入反向过程，通常会忽略它们在正向过程中的相关性。正向过程和反向过程之间的这种不一致可能会限制视觉合成结果中文本语义的精确输送 ...