- 多语言翻译中的子词和跨语言转移的系统分析
此研究探讨了子词切分在跨语言迁移中的作用,发现子词规范化提高了多语言建模的协同效应,而 BPE 在跨语言微调中更有效地促进了迁移,在子词建模方面的决策对于优化多语言建模的好处至关重要。
- 基于强化学习和粒子滤波的高精度地质导向
基于强化学习和粒子滤波器的地质定向钻井决策优化方法研究
- RL/LLM 税务分类树:回顾强化学习与大型语言模型之间的协同效应
本文探讨将强化学习和大型语言模型两大领域结合的研究,提出了一个分类系统并分析了其协同效应和潜在问题。
- 通过 MCU 上的小型 AI 加速器的动态组合实现协同推理
通过动态组合微型 AI 加速器,Synergy 系统有效解决了 on-device AI 日益增长的需求对 tinyML 的关键挑战,其虚拟计算空间和运行时协调模块能够提供统一的资源视图和优化的推理,可将吞吐量提高了 8.0 倍。
- 单图像新视角合成的深度自监督
通过联合优化图像生成和深度估计的框架,我们的方法在无视角预测的任务上取得了较高的生成图像质量和更准确的目标视角深度。
- 协同信息支持神经网络解决多任务时的模态集成和灵活学习
通过解析神经元系统参与不同模式的信息处理,一个信息分解框架被应用以研究简单的人工神经网络在不同的学习模式下执行各种认知任务的信息处理策略。结果表明,协同作用随着神经网络学习多样任务而增加,并且在需要整合信息来源的任务中发挥关键作用。
- 估计连续变量的唯一信息
这篇论文提出了一种在持续型分布下估算唯一信息的方法,通过对联合分布进行协同分解和应用与变分自编码器优化技术相结合的方法,为 PID 领域提供了新的研究视角。
- 多模态深度学习中的模态组合学习
提出了基于深度神经网络的多模态学习方法,采用乘法结合不同来源的模态信息以提高性能,并通过过滤噪声和处理冲突来采取联合方法,扩展将不仅结合单一来源模态,而是一组混合来源模态,以更好地捕获跨模态信号相关性,取得了在不同领域的三个多模态分类任务中 - 静态与动态高斯系统中协同和冗余信息共享的探索
本文首次深入分析了高斯系统的 PID,并提出了适用于连续时间序列数据的协同信息和冗余信息独立公式,进一步揭示了高斯系统的协同和冗余信息量的特点及其量化方法,并讨论了这些发现在信息转移和信息复杂度测量中的应用。
- Granger 因果分析中动态网络的协同作用和冗余
通过 Granger 因果分析来研究复杂网络子系统之间信息流的协同作用和冗余性,发现部分条件的 Granger 因果分析是有效的方法,该方法可以根据数据结构选择合适的变量作为条件来实现,同时通过将网络分成两个子集来描述冗余效应和提供更好的因 - 量化协同互信息
本研究介绍了一种新型协同效应计量方法并对其与其他三种信息理论方法进行了比较,研究表明本研究方法可准确测量多个变量对于单一结果变量的协同效应,同时也证明独立预测因子可以具有积极的冗余信息。