现实世界中的时间序列通常具有多个频率组件相互交织在一起，因此准确的时间序列预测挑战性。将混合频率组件分解为多个单个频率组件是自然的选择。但是，模式的信息密度在不同的频率上有所不同，并且为不同的频率组件采用统一的建模方法可能导致表征不准确 ...
在深度学习领域，图形神经网络（GNN）和图形 Transformer 模型具有出色的性能和灵活的建筑设计，已成为处理结构化数据（尤其是图形数据）的领先技术。传统的GNN经常在有效地捕获遥远顶点的信息时面临挑战。相反，图形 Transformer 模型特别擅长管理长距离节点关系 ...
我们介绍 ChatGLM，这是我们一直在开发的一个不断发展的大型语言模型家族。本报告主要关注 GLM-4 语言系列，包括 GLM-4、GLM-4-Air 和 GLM-4-9B。它们代表了我们最有能力的模型，这些模型接受了从前三代 ChatGLM 中获得的所有见解和经验教训 ...
红外图像的显着信息和可见图像的丰富纹理可以融合以获得全面的图像。众所周知，基于红外和可见图像的 Transformer 技术的当前融合方法表现出了有希望的性能。但是，先前基于 Transformer 的方法的注意机制很容易从源图像中提取常见信息，而无需考虑差异信息，从而限制了融合性能 ...
最近的研究强调了图形 Transformer （GT）模型中的重大公平问题，特别是针对由敏感特征定义的亚组。此外，GTS是计算密集型和记忆要求的，将其应用于大规模图。我们的实验表明，图形分配可以增强GT模型的公平性，同时降低计算复杂性 ...
除其他任务外，扩散模型已成为图像生成的最新模型。在这里，我们提出了一个有效的基于基于扩散的模型，用于3D感知的神经场。我们的方法通过将其转换为连续的占用场并将其考虑为一组轴对准的三平方特征表示形式，从而预先处理训练数据，例如Shapenet网格 ...
情感分析通过利用各种数据模式（例如文本，图像）迅速发展 ...
集成的光谱和曲率信号可以在图表学习中解锁新的潜力吗？非欧国几何形状，特别是诸如双曲线（负曲率）和球形（正曲率）之类的利曼歧管，为嵌入复杂的图形结构（如无标度，层次结构和环状图案）提供了强大的电感偏见。同时，光谱滤波在跨图的处理信号变化方面出色，使其在同质和异性环境中有效。利用两者都可以显着增强学习的表示 ...
