标准RL世界模型是马尔可夫决策过程（MDP）。 MDP的基本前提是奖励仅取决于最后一个状态和行动。然而，许多现实世界的奖励都是非马克维亚人 ...

具有大型多模型模型的文本到图像生成AI的进步正在扩展到图像压缩领域，从而以极低的比特速率形成了图像的高质量表示。这项工作将新颖的组成部分引入了现有的多模式图像语义压缩（MISC）方法，从而增强了生成图像的质量，从PSNR和感知度量指标方面。新组件包括生成解码器的语义分割指南以及内容自适应扩散，该分解器基于图像特征控制扩散步骤的数量 ...

时间序列预测（TSF）是一项基本且经过广泛研究的任务，涵盖了从经典统计方法到现代深度学习和多模式建模的方法。尽管它们有效，但这些方法通常遵循快速思考的范式，强调模式提取和直接价值映射，同时忽略了时间动态和上下文依赖性的明确推理。同时，出现了缓慢思考的LLM（e ...

跨模式的对比度学习预处理（VLP）面临着（部分）假否定的挑战。在本文中，我们从相互信息（MI）优化的角度研究了这个问题。常识是，在对比学习中使用的Infonce损失将最大程度地提高锚及其积极因素之间MI的下限，而理论上我们证明，当噪声通常存在时，涉及负面因素的MI也很重要 ...

大型视觉模型（LVLM）中的幻觉极大地破坏了它们的可靠性，激发了研究人员探索幻觉的原因。但是，大多数研究主要集中于语言方面，而不是视觉方面。在本文中，我们解决了LVLMS如何处理视觉信息以及此过程是否引起幻觉 ...

近期大型视觉语言模型（LVLM）提出了具有多模式查询的显着零拍对性和推理功能。然而，它们遭受了对象幻觉的困扰，这是一种现象，其中lvlms容易产生与图像输入不符的文本响应。我们的试点研究表明，物体幻觉与旋转位置编码（绳索）紧密相关，这是现有LVLM中广泛采用的位置依赖建模设计 ...

大型视觉模型（LVLM）在多模式任务中取得了重大成功，多模式链（MCOT）进一步提高了性能和可解释性。最近的MCOT方法分为两类：（i）Textual-MCOT（T-MCOT），它采用多模式输入并产生文本输出； （ii）交织的mcot（i-mcot），生成交织的图像文本输出。尽管两种方法都取得了进步，但推动这些改进的机制尚未完全理解 ...

图形卷积网络（GCN）在培训推荐系统（RECSYS）中的效率和可扩展性一直是持续关注的问题，阻碍了其在现实世界中的部署。本文对训练阶段的图形卷积的必要性进行了批判性检查，并引入了创新的替代方案：光后训练图普通差异方程式（LightGode）。我们的调查表明，在测试过程中而不是培训期间，GCN的好处更为明显 ...