纵向磁共振成像（MRI）数据集的可用性不断增长，促进了人工智能（AI）驱动的疾病进展模型，从而可以预测对个别患者的未来医学扫描。然而，尽管AI取得了重大进步，但当前的方法仍在面临挑战，包括实现患者特定的个性化，确保时空的一致性，有效利用纵向数据以及管理3D扫描的大量记忆需求。为了应对这些挑战，我们提出了脑潜在进展（BRLP），这是一种新型时空模型，旨在预测3D脑MRIS中的个体疾病进展 ...

大型语言模型 (LLM) 在从自然语言处理到计算机视觉等各个领域取得了前所未有的进步。 LLM 的实力得益于其庞大的模型规模、广泛多样的数据集以及训练过程中利用的巨大计算能力，所有这些都有助于 LLM 的新兴能力（例如， ...

时间序列分类是支持各个领域的决策过程的相关步骤，深层神经模型显示出令人鼓舞的表现。尽管在深度学习方面取得了重大进步，但对复杂体系结构的运作方式和为什么仍然有限的理论理解，促使人们需要更加可解释的模型。最近，已经提出了Kolmogorov-Arnold网络（KANS）作为更容易解释的替代方案 ...

在这项研究中，我们通过将高阶多项式投影（HIPPO）理论整合到Kolmomogorov-Arnold-Arnold Network（KAN）框架中，介绍了一个优于时间序列预测中传统模型的参数效率模型。该河马模型在长序列数据上实现了卓越的性能，而无需增加参数计数。实验结果表明，Hippo-Kan保持恒定的参数计数，而不同的窗口大小和预测范围的变化，而KAN的参数计数随窗口大小线性增加 ...

随着大型语言模型（LLM）的发展，在面对恶意用例的情况下，诸如虚假信息的传播，知识产权的保护以及预防学术窃。虽然训练有素的文本探测器在看不见的测试数据上表现出了有希望的表现，但最近的研究表明，在处理诸如释义之类的对抗性攻击时，这些探测器具有脆弱性。在本文中，我们为更广泛的对抗性攻击提出了一个框架，旨在对机器生成的内容进行少量扰动以逃避检测 ...

经常性的神经网络（RNN）彻底改变了机器学习的许多领域，尤其是自然语言和数据序列处理。长期记忆（LSTM）已证明其在顺序数据中捕获长期依赖性的能力。受Kolmogorov-Arnold Networks（KANS）的启发，我们提出了一个新的神经网络体系结构，灵感来自多层感知器（MLPS），灵感来自Kan and LSTM，它启发了Lotal Kolomogorov-Arnold Networks（ ...

训练视觉语言模型（VLMS）通常需要大规模的高质量图像文本对，但是收集或合成此类数据是昂贵的。相比之下，文本数据很丰富且廉价，提示了一个问题：高质量的多模式训练数据是否纯粹是从文本中综合的？为了解决这个问题，我们提出了一个跨集成的三阶段多模式数据综合框架，该框架生成了两个数据集：Unicorn-1.2m和Unicorn-471K-Instruction ...

单苏克烯提出了一个3D语义场景完成（SSC）框架，其中一个单眼RGB图像推断出一个场景的密集几何形状和语义。与SSC文献不同，依赖于2.5或3D输入，我们解决了2D至3D场景重建的复杂问题，同时共同推断其语义 ...