稳定性和可塑性之间的平衡仍然是基于验证的基于模型的增量对象检测（PTMIOD）的基本挑战。尽管现有的PTMIOD方法在与预处理数据相一致的内域任务上表现出强大的性能，但它们对跨域情景的可塑性仍未得到充实。通过对审计探测器进行系统的组件分析，我们揭示了一个基本差异：本地化模块证明了固有的跨域稳定性保护精确的边界框估计跨分布偏移 - 分类组件需要增强的可塑性以减轻跨层面场景中的可区分性可区分性 ...
图挖掘是数据挖掘和机器学习的重要领域，涉及从图形结构化数据中提取有价值的信息。近年来，通过发展图神经网络（GNN）的发展在该领域取得了重大进展。但是，GNN仍然缺乏概括到各种图形数据的不足 ...
本文研究了图形聚类的问题，这是一项新颖而又具有挑战性的任务。在生物信息学中的蛋白质聚类和基因组分析等各种现实世界中，此问题至关重要。近年来，深度聚类的成功以及图神经网络（GNNS）的成功 ...
基于 Transformer 的方法已在图像上的2D和3D检测上扫描了基准测试。由于注意机制删除空间信息之前的象征化，因此位置编码对于这些方法至关重要。最近的作品发现，基于3D查看射线样品的编码可以显着提高多相机3D对象检测的质量 ...
医疗图像分割是一项关键任务，在诊断，治疗计划和疾病监测中起着至关重要的作用。准确分割解剖结构和医学图像异常可以帮助早期发现和治疗各种疾病。在本文中，我们通过仔细重新设计自发项图以在医学图像中产生准确的密集预测来解决 Transformer 模型的局部特征缺陷 ...
大型语言模型（LLM）的出现彻底改变了AI的开发，但是他们的培训要求超出一个集群甚至数据中心的计算资源，从而限制了对大型组织的可访问性。分散的培训已成为一种有希望的范式，以利用集群，数据中心和全球地区的分散资源，使更广泛社区的LLM发展民主化。作为对这个新兴领域的首次综合探索，我们将分散的LLM培训作为资源驱动的范式进行了分散的LLM培训，并将其归类为社区驱动和组织的方法 ...
离散的Laplacian操作员在3D几何处理中扮演着至关重要的角色，但是将其定义在点云上仍然具有挑战性。以前的作品主要集中于在每个点围绕每个点构建局部三角剖分，以近似定义拉普拉斯运算符的基础歧管，这可能不健壮或准确。相比之下，我们只需使用从输入点云构造的k-nearthient邻居（KNN）图，并使用图形神经网络（GNN）在KNN图上学习Laplacian操作员 ...
本文介绍了Marketsenseai，这是一个创新的框架，利用GPT-4的高级推理来选择金融市场中的股票。通过整合思想链和秘密学习链，Marketsenseai分析了各种数据源，包括市场趋势，新闻，基本原理和宏观经济因素，以模仿专家投资决策。对框架的开发，实施和验证进行了精心讨论，强调了其产生可行和可解释的投资信号的能力 ...
