"SEE方法：利用无标注证据的假新闻检测新突破"
摘要
本文提出了一种名为SEE的新型假新闻检测方法，该方法通过搜索、检查和早期终止三个主要阶段，利用网络搜索的无标注证据进行假新闻检测。SEE方法不依赖于人工预处理的证据，而是通过注意力机制和早期终止机制，有效地融合新闻和证据信息，以提高检测的准确性和效率。实验结果表明，SEE方法在多个数据集上优于现有的最先进方法，显示出其在假新闻检测领域的先进性和实用性。
Read more..."TransRL：结合物理模型与强化学习的实时交通路由优化"
摘要
本文探讨了在不确定性条件下实时系统最优交通路由的问题，特别是在大型交通网络中。传统的基于物理模型的方法对不确定性和模型不匹配敏感，而模型自由的强化学习则面临学习效率和可解释性问题。为此，本文提出了一种名为TransRL的新算法，该算法结合了强化学习与物理模型，以提高性能、可靠性和可解释性。TransRL通过建立基于物理模型的确定性策略，并从中学习一个可微分且随机的教师策略，以最大化累积奖励并最小化当前策略与教师策略之间的Kullback-Leibler（KL）散度。实验结果表明，TransRL在多个交通网络中表现优于基于交通模型的方法和现有的强化学习算法，如近端策略优化（PPO）和软演员-评论家（SAC）。此外，TransRL的行动表现出更高的可靠性和可解释性。
Read more..."从粗到细：一种高效的强化学习框架在机器人操作中的应用"
摘要
本文介绍了一种名为“Coarse-to-fine Reinforcement Learning (CRL)”的框架，旨在提高强化学习（RL）算法在实际环境中部署的样本效率。CRL通过逐步细化连续动作空间的方式，使得基于价值的RL算法能够有效地应用于细粒度的连续控制任务。论文中提出的具体算法“Coarse-to-fine Q-Network (CQN)”在多个稀疏奖励的视觉机器人操作任务中表现出色，显著优于传统的RL和行为克隆基线，且在实际操作任务中仅需几分钟的在线训练即可学习解决任务。
Read more..."公理训练：教授Transformer因果推理的新范式"
摘要
本文探讨了文本型AI系统在现实世界中交互时因果推理的重要性。由于干预性数据生成成本高昂，研究了代理如何从被动数据中学习因果推理。具体而言，提出了一种基于公理训练的设置，其中代理通过多个因果公理（或规则）的演示来学习，而不是将公理作为归纳偏差或从数据值中推断。关键问题在于代理是否能从公理演示中泛化到新场景。例如，如果一个transformer模型在小型图上训练了因果传递性公理的演示，它是否能泛化到大型图上的传递性公理应用？基于一种新颖的公理训练方案的结果表明，这种泛化是可能的。考虑了在给定因果图结构的情况下推断一个变量是否导致另一个变量的任务。发现一个6700万参数的transformer模型，在训练了线性因果链（以及一些噪声变体）后，可以很好地泛化到新的图类型，包括更长的因果链、逆序的因果链和带有分支的图；即使在未明确针对这些设置进行训练的情况下也是如此。我们的模型性能与许多大型语言模型如GPT-4、Gemini Pro和Phi-3相当（甚至更好）。总体而言，我们的公理训练框架提供了一种从被动数据中学习因果推理的新范式，只要能够生成足够的演示，就可以用于学习任意公理。
Read more..."创新残差网络架构：深度学习在偏微分方程求解中的稳定性和效率提升"
摘要
本文介绍了一种新颖的深度学习方法，旨在通过引入残差网络架构来提高解决偏微分方程（PDEs）的稳定性和效率。传统的神经网络在处理非线性和时间依赖的PDEs时面临稳定性和效率的挑战。为此，本文提出了一种基于残差的网络架构，包括简单高速公路网络（Simple Highway Network）和平方残差网络（Squared Residual Network），这些架构通过引入残差连接来增强传统神经网络的稳定性和反向传播效率。通过广泛的数值实验，本文展示了这些新架构在处理线性和非线性、时间依赖和独立PDEs时的有效性，特别是在平方残差网络中观察到了更高的稳定性和准确性。这些发现强调了残差网络架构在推进深度学习应用于PDEs和计算物理学领域的潜力。
Read more..."创新视频对象分割技术：融合空间-语义特征与判别性查询"
摘要
本文提出了一种鲁棒的视频对象分割框架，该框架利用空间-语义特征和判别性对象查询来解决长期视频中由于遮挡、背景杂乱和目标部分模糊导致的身份混淆问题。具体而言，构建了一个包含语义嵌入块和空间依赖性建模块的空间-语义网络，以关联预训练的ViT特征与全局语义特征和局部空间特征，提供全面的目标表示。此外，开发了一个掩码交叉注意力模块，以在查询传播期间生成聚焦于目标对象最具判别性部分的对象查询，减轻噪声积累并确保有效的长期查询传播。实验结果表明，该方法在多个数据集上达到了新的最先进性能，证明了其有效性和泛化能力。
Read more..."利用候选标签进行视觉-语言模型微调：提示对齐框架的创新应用"
摘要
本文探讨了在视觉-语言模型（VLMs）中使用候选标签进行提示学习的问题。传统的提示学习方法依赖于精确的标签数据，这在实际应用中由于数据隐私或敏感性问题可能难以获取。本文首次研究了在仅能获得包含真实标签的候选标签集的情况下，如何有效地进行提示学习。研究者提出了一种新的框架，通过动态混合由可学习提示和手工提示预测的类别后验概率，并将其与模型输出对齐，从而提高模型在处理候选标签时的鲁棒性。实验证明，该框架在多个基准数据集上显著提升了性能，尤其是在标签模糊度较高的情况下。
Read more..."利用提示对齐优化视觉-语言模型在候选标签下的微调"
摘要
本文探讨了在实际应用中，由于数据隐私或敏感性问题，可能只能获取包含真实标签的候选标签集合而非确切标签的情况下，如何通过提示学习（Prompt Learning）对视觉-语言模型（Vision-Language Models, VLMs）进行微调。文章首次研究了在仅能获取候选标签的情况下，提示学习相较于其他微调方法的优势，并提出了一种新的框架，通过动态混合由手工提示和可学习提示共同预测的类别后验概率，并将其与模型输出对齐，以提高模型在处理候选标签时的鲁棒性。实验结果表明，该框架在多个基准数据集上显著提升了性能。
Read more..."利用稀疏车联网数据实现高效交通状态估计：CRNet模型的创新与应用"
摘要
本文介绍了一种利用稀疏车联网（IoV）数据进行交通状态估计（TSE）的新框架，该框架在智能交通系统（ITS）中具有重要作用。传统的TSE依赖于路边传感器和摄像头，但这些方法成本高且覆盖范围有限。本文提出的框架通过利用部分IoV数据，避免了大规模数据收集和处理的巨大开销。特别地，本文提出了一种新颖的空间-时间注意力模型——卷积保持网络（CRNet），通过挖掘交通状态的空间-时间相关性来提高TSE的准确性。该模型结合了卷积神经网络（CNN）和基于注意力的保持网络（RetNet），通过大量真实世界IoV数据集的模拟验证了其成本效益和实用性。
Read more..."探索未来交互：LLMs在Wizard of Oz实验中的创新应用与评估"
摘要
本文探讨了在Wizard of Oz (WoZ)实验中使用大型语言模型（LLMs）作为“巫师”的可行性和方法论。传统的WoZ方法涉及人类巫师模拟尚未实现的技术与参与者互动，以收集用户行为和设计空间的数据。随着LLMs在角色扮演能力的增强，本文提出了一种新的实验生命周期，允许研究人员安全地将LLMs集成到WoZ实验中，并通过两个案例研究展示了这一过程。此外，本文还贡献了一个基于启发式的评估框架，用于评估LLMs在WoZ实验中的角色扮演能力，揭示其行为模式和潜在的失败模式。
Read more...Previous Page
26 of 156
Next Page