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 ...

超分辨率重建（SRR）是一个过程，旨在根据低分辨率和高分辨率之间的学习关系，或从呈现同一场景的多个图像中，从单个观察结果来增强图像的空间分辨率。 SRR特别有价值，如果以所需的分辨率获取图像是不可行的，但是同一场景的许多图像在较低的分辨率下可用 - 这是各种遥感方案所固有的。最近，我们目睹了归因于使用深神经网络来学习低分辨率和高分辨率之间的关系的单位SRR的实质性改善 ...

基于 Transformer 的模型在时间序列研究中越来越关注，推动了对大语模型（LLM）的兴趣以及时间序列分析的基础模型。随着场地向多模式发展，大型视觉模型（LVM）正在成为一个有希望的方向。过去， Transformer 和LLM在时间序列中的有效性一直在辩论 ...