benchmark dataset
PulseAugur coverage of benchmark dataset — every cluster mentioning benchmark dataset across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
PoseOFF 改进机器人人类动作预测 · 跟踪 2 个来源
研究人员开发了 PoseOFF，这是一种新颖的姿态锚定光流表示，旨在改善人机交互中的人类动作预测。该方法捕获人体关节周围的局部运动，使机器人能够更早、更有效地理解人类意图。PoseOFF 通过处理较少的动作序列且无需进行全帧运动分析，在低延迟场景下展示了更高的识别准确率。
-
新的几何框架分析AI公平性审计的鲁棒性
研究人员开发了一个新的几何框架，用于分析机器学习中基于邻域的公平性审计的鲁棒性。这些审计通过比较特征空间中相似个体的预测来评估个体公平性。新框架量化了特征空间中的微小扰动如何改变局部邻域并导致不同的公平性评估，即使模型预测保持不变。它引入了一个名为“审计波动性”的度量来量化这些审计在重复扰动下的敏感性，基准数据集上的实验支持了理论分析。
-
HNDiff 框架整合大气物理学以实现高级图像去雾 · 已追踪 2 个来源
研究人员开发了雾霾-噪声扩散（HNDiff）模型，这是一种新颖的图像去雾扩散框架，整合了大气散射模型。该方法将扩散模型建立在物理原理之上，确保恢复效果符合雾霾形成机制。HNDiff 使用联合雾霾-噪声扩散过程，并配备了雾霾感知调度器，该调度器根据雾霾密度调整噪声水平，鼓励在重度雾霾区域生成内容，同时保留清晰区域的细节。该框架还包括 Latent HNDiff，它将清晰的潜在先验知识整合到现有的去雾网络中，以提高性能并在基准数据集上取得…
-
EgoGVAE 从头部姿态数据重建全身网格
研究人员开发了 EgoGVAE，一种从头部姿态数据重建全身网格的新方法，这对于使用头戴式设备和智能眼镜的应用至关重要。与计算成本高昂的先前基于扩散的迭代方法不同，EgoGVAE 利用引导式变分自编码器和头部到运动网络。这种方法强制执行相似的潜在分布，能够快速进行单步采样以获得自然的全身姿态表示，在基准数据集上的推理速度比现有技术快 50 倍以上。
-
Zero-Fi 利用信号-语言对齐实现零样本 Wi-Fi 活动识别
研究人员开发了 Zero-Fi，一个新颖的基于 Wi-Fi 的人类活动识别框架，它利用对比信号-语言对齐。这种方法允许系统识别新活动，而无需针对这些活动进行特定的标记 Wi-Fi 数据。通过在共享嵌入空间中对齐 Wi-Fi 信号特征和自然语言描述，Zero-Fi 在基准数据集上展示了有效的零样本识别能力，将 Wi-Fi 感知能力扩展到预定义的活动集之外。
-
新的解码方法在高温采样下保留了LLM的拒绝行为
研究人员开发了一种名为“拒绝门控解码”（Refusal-Gated Decoding）的新解码方法，旨在在高温度采样时保持LLM的安全护栏。该技术旨在提高输出多样性，同时不牺牲模型拒绝有害提示的能力。实验表明，该方法在基准数据集上保留了91-99%的拒绝行为，同时为安全提示保持了高温响应，且延迟增加极少。
-
新研究表明物体感知可增强单视图三维重建
研究人员开发了一种新颖的方法，通过整合物体感知信号来改进单视图三维物体重建。该方法利用预训练的感知模型提取语义和几何信息，然后指导从单个图像进行的重建过程。该方法被设计为模型无关的，可以无缝集成到现有的重建流程中。在基准数据集上的实验表明，当这种感知驱动的方法应用于最先进的重建方法时，能够获得一致且显著的改进。
-
新的HopS方法改进了具有部分标签的视觉语言模型的提示学习
研究人员开发了一种名为整体最优标签选择（HopS）的新方法，用于在仅有部分标签可用时改进视觉语言模型的提示学习。HopS采用两种策略：一种基于最近邻及其softmax分数识别最可能标签的局部过滤器，以及一种使用最优传输将采样分布映射到候选标签分布的全局目标。在八个基准数据集上的实验表明，HopS在部分监督下始终能提高性能，优于现有方法，并为弱监督场景提供了实用的解决方案。
-
物理引导的LLM框架在轴承故障诊断中达到98.49%的准确率
研究人员开发了一种新颖的物理引导框架，该框架利用大语言模型进行轴承故障诊断。该系统解决了特征效率、故障物理可追溯性以及多源信息融合方面的挑战。通过将结构化故障知识编码到模型参数中，该框架以显著降低的计算成本实现了高诊断准确率，增强了安全关键型工业应用中的可追溯性。
-
新数据集整合电势以改进ECT图像重建
研究人员为电容层析成像（ECT）图像重建开发了一个新的基准数据集，该数据集整合了电势场。该数据集使用COMSOL-MATLAB流程生成，包含20,000个样本，包括电容向量、介电常数分布和全场电势图。通过将物理定律显式整合到学习过程中，包含这些潜在的物理信息旨在提高深度学习模型的准确性和鲁棒性。
-
论文呼吁开发抗预训练数据污染的大语言模型基准
一篇新论文认为，用于评估大语言模型（LLM）的基准数据集必须能够抵抗预训练数据的污染。作者们指出，许多现有基准已包含在 LLM 的训练语料库中，这削弱了它们衡量真正泛化能力的有效性。他们提议利用 Transformer 模型中的架构不对称性来创建在训练期间无法学习但在推理时仍可用的数据集，并呼吁社区采纳这些抗污染方法。