- 探索和基准测试大型语言模型的规划能力
提高大型语言模型的规划能力,研究领域包括基于上下文学习、微调,以及在未知领域的性能评估。
- RuleFuser:在证据网络中注入规则以实现鲁棒的超出分布轨迹预测
提出了一种称为 RuleFuser 的后验网络受启发的证据框架,结合了神经预测器和传统规则预测器,以在性能和交通规则遵守之间取得平衡。在现实世界的 nuPlan 数据集上展示了该方法的有效性。
- 决策基础模型中的幻象检测:一个灵活的定义和现有技术综述
自主系统使用基础模型进行决策的应用方向非常有前途,然而基础模型往往存在产生不合理决策的问题,因此有必要设计系统来量化模型的决策确定性并检测模型产生幻觉的情况。本研究讨论了基础模型在决策任务中的当前应用案例,给出了幻觉的一般定义及示例,并探讨 - 异构存储增强神经网络
通过引入可学习的记忆令牌和注意机制,我们提出了一种新颖的异构记忆增强方法,可以有效提升性能而不需要巨大的计算开销。
- 主题、领域和语言变化的桥梁:综合离域场景的评估
在真实世界中,语言模型在超出分布范围的场景中的泛化能力变得更低,基于提示的微调方法在语义差异较大的任务中表现更好,而基于梯度的学习存在结构障碍的偏差问题。
- RoboDepth 挑战:稳健深度估计方法和进展
这篇论文总结了 RoboDepth 挑战中的获胜解决方案,重点关注鲁棒的自监督和全监督深度估计,涉及了深度估计、挑战赛、深度预测、超分辨率和降噪等方面的创新设计。
- 跨领域一致特征扰动
通过在潜在空间中生成被干扰的特征并对模型预测进行领域转移的正则化来模拟领域转移的在线一阶交叉对比特征扰动(Cross Contrasting Feature Perturbation)框架引入的模块与语义一致性约束设计和学习特征扰动的,无需 - 基于合成分析的神经纹理可变形网格
本文提出了一种通过近似合成分析的方法来训练神经网络,利用可变形网格模型来优化图像与三维模型之间的关系,从而实现对数据的稳健泛化,本方法在测试集中表现良好,尤其在数据分布不均时表现更优。
- Deephys:面对分布偏移调试神经网络的深度电生理学
本文介绍了一种基于神经电生理学概念的工具 Deep Electrophysiology(简称 Deephs),通过比较神经元活动在分布内和分布外数据集中的可视化,可提供深度神经网络失败情况的洞察力,通过定量分析表明 Deephs 的有效性, - ICLR建模不确定特征表示以实现领域泛化
本文通过建模领域的不确定性,提出了一种基于动态实例自适应的方法,改善了深度学习模型的泛化能力,并且通过实验证明该方法可以应用于多项视觉任务。
- ICLRBigVGAN: 大规模训练的通用神经声码器
该研究使用周期性激活函数和柿子化表示来改进基于生成对抗网络的声码器,提高音频合成质量。BigVGAN 是一个通用的声码器,可以应用于各种分布情况,包括未见过的语音,语言和录制环境。