大型语言模型（LLM）在数学推理方面表现出了令人印象深刻的进步。尽管数据增强有望增强数学问题解决能力，但当前的方法主要限于实例级的修改，例如重新绘制或生成语法变量，而这些变化无法捕获和利用数学知识固有的内在关系结构。受到人类学习过程的启发，在该过程中，数学能力通过系统地接触相互联系的概念而发展，我们引入了MathFusion，这是一个新颖的框架，通过跨问题指导综合增强了数学推理 ...

用户端群体公平性对于现代推荐系统至关重要，旨在减轻由性别、种族或年龄等敏感属性定义的用户群体之间的性能差异。在不断发展的用户-项目交互领域，不断适应新收集的数据对于推荐系统与最新的用户偏好保持一致至关重要。然而，我们观察到这种持续的适应往往会加剧性能差异 ...

在现实场景中，用户通常在同一个话语中有多个意图。不幸的是，大多数口语理解（，大多数口语理解（ ...

基于表格的推理在将深度模型与离散推理相结合方面取得了显着进展，这需要对自由形式自然语言（NL）问题和半结构化表格数据进行推理。然而，以前的表推理解决方案仅考虑小型表，并且在处理较大表时表现出局限性。此外，大多数现有方法都难以推理复杂的问题，因为它们缺乏必要的信息或分散在不同的地方 ...

在电子商务中，根据用户的喜好对搜索结果进行排名是最重要的任务。商业电子商务平台，例如亚马逊，阿里巴巴，eBay，沃尔玛等。进行广泛而无情的研究以完善其搜索结果排名算法，因为排名的质量驱动了用户购买商品或不购买商品的决定，直接影响电子商务平台的盈利能力 ...

尽管大型语言模型（LLM）代理可以有效地使用外部工具来进行复杂的现实世界任务，但它们需要内存系统来利用历史体验。当前的内存系统启用基本存储和检索，但尽管最近尝试合并图形数据库，但仍缺乏复杂的内存组织。此外，这些系统的固定操作和结构限制了它们在各种任务中的适应性 ...

大型语言模型已经催化了代码生成中前所未有的波浪。在取得重大进步的同时，它们模糊了机器和人为源代码之间的区别，从而导致软件工件的完整性和真实性问题。事实证明，诸如检测之类的方法（例如检测）可以有效辨别机器生成的文本，但它们没有识别和利用机器生成的代码的独特模式 ...

从传统的控制策略转变为腿部机器人的深入加强学习（RL）构成了固有的挑战，尤其是在训练期间解决现实世界中的物理约束时。尽管高保真模拟提供了重大的好处，但它们经常绕过这些基本的物理局限性。在本文中，我们尝试了受约束的马尔可夫决策过程（CMDP）框架，而不是用于机器人应用的常规无约束RL ...