经验表明，大型预训练语言模型的新认知能力使其成为认知科学理论的候选模型。本研究通过心理测量学测试选择四组任务，对十个热门预训练语言模型进行评估，发现无论模型大小，PLMs 的训练过程在人类认知发展的某个窗口期内表现出最高程度的一致性。在该窗口期之前，训练为模型提供了基础结构，使其能够迅速从经验中学习；而在该窗口期之后，训练似乎更多地用于工程目标而非科学目标。

Jul, 2024

传统的联邦学习方法对计算和通信能力不同的客户端的支持有限，导致模型训练的低效和潜在的不准确性。本文引入了具有灵活架构的联邦学习算法（FedFA），允许客户端选择适合其资源的网络架构，通过层嫁接技术和可扩展聚合方法，实现了客户端贡献的统一集成和对抗性能降低的增强。

Jun, 2024

GraphStorm 是一个端到端的解决方案，提供可扩展的图构建、模型训练和推理，并具有易于使用、适用于海量数据集和扩展性强的特性。

Jun, 2024

本文综述了视频 - 语言理解系统的关键任务、相关挑战以及模型架构、模型训练和数据观点等方面的方法，并进行了方法间的性能比较，提出了未来研究的有前景的方向。

Jun, 2024

提出一种新的大规模合成手部姿态估计数据集 Hi5 以及一种新的廉价方法来收集高质量合成数据，无需人工注释或验证。在计算机图形学的最新进展下，利用具有多样性性别、肤色和动态环境和摄像机移动的高保真度 3D 手部模型，我们的数据合成流程可以精确控制数据多样性和表示，确保健壮和公平的模型训练。通过使用一台普通消费级个人电脑，我们生成了一个包含 583,000 张图像和准确的姿态注释的数据集，这个数据集紧密地代表了现实世界的变异性。使用 Hi5 训练的姿态估计模型在真实手部基准测试中表现出竞争力，而在遮挡和扰动测试中超过了使用真实数据训练的模型。我们的实验显示出合成数据作为解决现实数据集中数据表示问题的可行方案的有希望的结果。总体而言，本文提供了一种有希望的新方法来创建和注释合成数据，可以降低成本并增加手部姿态估计的数据多样性和质量。

Jun, 2024

通过使用远程服务器不断训练和调整轻量级模型，EdgeSync 筛选样本以考虑及时性和推理结果，从而提高实时视频分析系统的质量，并且通过测试数据集的评估，相比于现有方法提高了约 3.4%，相对传统方法提高了约 10%。

Jun, 2024

通过填补现有方法缺失的空白，提出了预期异常后验（EAP）方法，一种基于不确定性的评分函数，通过量化异常检测器的总不确定性来衡量辅助异常的质量，在图像和表格数据的 40 个基准数据集上的实验证明，EAP 在大多数情况下优于 12 种适应数据质量估计方法。

May, 2024

引入新颖的无标记反向识别动物的概念和实用技术，以补充传统的前瞻性纵向行为研究方法。研究中提出了通过模型训练实现反向识别，以提高资源效率，减少手动标注工作和计算资源投入。

May, 2024

在这篇论文中，我们将原型学习定义为每个类别中样本特征的期望，并使用数据集中的现有样本设计经验性原型。然后，我们提出了一种自适应更新经验性原型的策略，该策略基于样本特征与经验性原型之间的相似性。此外，我们提出了一种经验性原型学习（EPL）方法，该方法利用与样本特征相关的自适应边缘参数。EPL 为正常样本分配较大的边缘，为困难样本分配较小的边缘，使得学习得到的经验性原型能够更好地反映由正常样本主导的类别中心，并通过学习将困难样本拉向经验性原型。对 MFR、IJB-C、LFW、CFP-FP、AgeDB 和 MegaFace 进行了大量实验证明了 EPL 的有效性。

May, 2024

通过点云监督，提出了一种弱监督的深度学习方法来预测统计形态模型的构造，从而提高模型的训练可行性。

May, 2024