许多研究应用了强化学习来训练对话政策并表现出巨大的希望。一种常见的方法是使用用户模拟器来获得大量的模拟用户体验来增强学习算法。但是，对现实的用户模拟器进行建模是具有挑战性的 ...

基于意图的推荐系统已引起了揭示潜在细粒偏好的极大关注。意图，作为相互作用的潜在因素，对于改善建议解释性至关重要。大多数方法将意图定义为与交互一起更新的可学习参数 ...

漫长的上下文是自然语言处理（NLP）的重要主题，贯穿NLP体系结构的开发，并为大型语言模型（LLMS）提供了巨大的机会，从而使LLMS具有类似于人类的终身学习潜力。不幸的是，追求漫长的背景伴随着许多障碍。然而，长篇小说仍然是LLM的核心竞争优势 ...

视觉生成技术的最新进展显着提高了视频数据集的规模和可用性，这对于培训有效的视频生成模型至关重要。但是，严重缺乏高质量的以人为中心的视频数据集给该领域的进步带来了挑战。为了弥合这一差距，我们引入了OpenHumanVid，这是一种大规模且高质量的以人为中心的视频数据集，其特征是精确且详细的标题，涵盖了人类外观和运动状态，以及补充的人类运动条件，包括骨骼序列和语音音频 ...

用户和创建者是推荐系统的两个关键组成部分。典型的推荐系统专注于用户端，根据每个用户的请求提供最合适的项目。在这种情况下，一些物品会受到大部分暴露，而许多物品则很少 ...

检索增强的一代（RAG）是一种高级技术，旨在应对人工智能生成内容（AIGC）的挑战。通过将上下文检索整合到内容生成中，RAG提供了可靠和最新的外部知识，减少幻觉并确保各种任务范围内的相关背景。但是，尽管碎布的成功和潜力，最近的研究表明，抹布范式还引入了新的风险，包括健壮性问题，隐私问题，对抗性攻击和问责制问题 ...

检索增强的生成（RAG）使大型语言模型（LLMS）通过利用外部知识数据库而无需更改模型参数来生成扎根的响应。尽管没有重量调整可以通过模型参数阻止泄漏，但它引入了在模型上下文中利用检索文档的推理对手的风险。现有的成员推理和数据提取方法通常依赖于越狱或精心制作的不自然的查询，可以轻松地检测或通过在破布系统中常见的查询重写技术来检测或挫败 ...

丰富的数据和功能强大的机器学习模型使我们能够为特定蛋白质靶标\ textit {in Silico}设计药物。最近，由于3D空间中的原子相互作用明确建模，因此在目标药物设计过程中包含3D结构的性能优于其他无目标模型。但是，当前的3D目标感知模型要么依赖于体素原子密度或自回归抽样过程，后者并非等同于旋转，要么易于违反几何约束，从而导致不现实的结构 ...