- 探索大型语言模型和分层框架用于大规模非结构化法律文件的分类
通过使用多级编码器层次框架(MESc)以及大型语言模型和无监督聚类方法,我们研究了在没有结构注释的情况下,从大型法律文件中预测裁决的问题,并测试了这些方法在法律领域的转移学习能力和效果,我们的方法相较于之前的最先进方法取得了至少 2 个性能 - RL-GPT: 集成强化学习和代码为策略
利用两级分层框架 RL-GTP,在具备高效能 coding 能力的慢速代理和执行编码任务的快速代理之间无缝融合,以高效地处理涉及复杂逻辑和精确控制的实体任务,并取得了在 Minecraft 游戏中以及指定的 MineDojo 任务上的优越表 - 复杂自适应系统中的出现检测的时空一致性学习的层次框架
该论文提出了一个层次结构框架,通过学习系统表示和代理表示来解决在复杂适应系统中通过本地观察检测系统中的 Emergence 形成和消失导致的问题。特别是,该方法通过自我监督的方式保持了内在的时空一致性,实现了比传统方法和深度学习方法更准确的 - 多类别无监督异常检测的分层向量量化变压器
在多类别图像异常检测中,该研究提出了一种基于向量量化和原型导向的 Transformer 层次化模型,通过离散的、具有代表性的原型来恢复正常图像,并采用原型导向的最优传输方法进行异常评估,实现了优于现有模型的性能。
- 基于异构折线变换器和相对姿态编码的实时运动预测
实现在线推理期间的异步令牌更新的异构 Polyline Transformer 与相对姿态编码(KNARPE 和 HPTR)的介绍和性能评估。
- AAAI无监督的旋律引导歌词生成
本文提出了一种基于分层框架和旋律 - 歌词对齐的歌词生成模型,能够在没有旋律 - 歌词对齐数据的情况下,通过对内容进行控制生成更可唱、更易懂、更连贯和有韵律的高质量歌词。
- 使用学习动作残差的连续多功能跳跃
提出了一种基于优化控制和强化学习相结合的分层框架,实现了四足机器人连续跳跃运动的控制,通过在模拟环境中的训练,该方法可以直接应用到真实机器人中,实现多方向、连续性跳跃。
- 协作人工智能的层级框架
我们提出了一个针对协同智能系统的分层框架,运用机器学习辅助,针对交互活动和信息共享的不同层次和挑战,包括传统工程方法和现代机器学习方法,最后探讨了沟通和理解共享、解释和社会协同等问题,总结出未来的研究挑战和为人类社会带来的经济和社会影响。
- COLING粗到细:自然语言理解的分层多任务学习
通过三种不同的角度(数据属性、手工设计和基于模型的相关性)分析任务相关性,本文提出了一种层次框架并使用粗粒度到细粒度的范式,使模型从所有任务中学习基本语言属性,提高相关任务的性能,并减少不相关任务的负面影响。
- CloudAttention:用于 3D 点云学习的高效多尺度注意力方案
使用集合转换器在分层框架中对点云进行形状分类和分割,实现了状态 - of-the-art 的性能,并可用于处理大规模稀疏数据。
- 基于技能发现的自动驾驶车辆交叉口自适应决策
提出一种基于强化学习和动作基元的分层框架,可自主收集和重复使用知识来解决城市环境下自动驾驶面临的挑战和不确定性,通过 CARLA 模拟器的测试,其表现优于其他基线方法。
- 元学习参数化技能
本研究提出了一种新的参数化技能学习算法,此算法可以学习可转移的参数化技能并将其综合到新的行动空间中,从而支持长视深远任务的高效学习。经实证表明,这种方法可以使代理人解决一组困难的长视深远任务。
- 面向多样化和自然的场景感知 3D 人体运动合成
本文针对现有智能场景下的动作合成技术存在的目标、位置预定及动作多样性不足等问题,提出了一种基于多样性因素的分层框架方法,以提高人类动作合成的自然度与多样性。实验表明,该框架在场景感知的人类动作合成中具有很好的效果。
- 多准则启发式评分估计
本文介绍了一种将启发式评估法集成到层次分析法层次框架中的方法,并提供了多种决策制定的例子。
- ACL使用话语级别规划和美学特征的零样本十四行诗生成
本文提出了一个新的层次框架,用于生成十四行诗,不需要训练。该框架包括内容规划模块、韵脚模块和润色模块,并设计了受约束的解码算法以实现生成的十四行诗的韵律和韵脚约束。自动和人工评估表明,该框架比几个强基线更具连贯性、诗意和创造性。
- 从特征和样本的视角重新思考视频问答中的多模态对齐
本论文提出一种基于多模态对齐、轨迹特征、层次化框架和训练数据扩充的视频问答方法,并在 NExT-QA 基准测试上表现出很高的性能。
- 面向基于层级上下文信息的汉语语音合成的表现性语音风格建模
本文提出了一种层级框架,用于从上下文中建模表达语音合成的风格。通过 Hierarchical Context Encoder 来探索更广泛的上下文信息,结合 Inter-Phrase 和 Inter-Sentence 关系,提出了一种新的训 - ICLR多智能体强化学习中的合作学习
本文研究了网络多智能体强化学习(MARL)问题,提出了一种分层分散式 MarL 框架:LToS,它使代理者能够动态地与邻居共享奖励,从而通过集体鼓励代理者在全局目标上进行合作。实证结果表明 LToS 在社会困境和网络 MARL 的情景下都优 - EMNLP通过分层强化学习在基于文本的游戏中实现泛化
本文介绍了一种基于知识图谱的 RL 代理的层次化框架,通过在高层次执行元策略将整个游戏分解为一组由文本目标指定的子任务,并通过知识图谱选择其中一个,然后在低层次执行子策略进行目标条件强化学习,实验结果表明,所提出的方法具有较好的泛化性能。
- ExSinGAN:从单张图像学习可解释的生成模型
本文提出一种基于分层前馈生成对抗模型的图像合成方法,将图像生成任务视为从单个图像的条件概率分布中抽样,按照结构、语义和纹理的顺序学习相应的条件分布,从而学习并生成能够进行图像操作的图像。