Haolin Yang
PulseAugur coverage of Haolin Yang — every cluster mentioning Haolin Yang across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
EvoQuantLab框架通过双循环进化增强量化研究
研究人员开发了EvoQuantLab，一个旨在改进量化金融中交易因子发现的新型框架。该无需训练的系统利用双循环方法，结合遗传编程进行高效的因子表达进化和诊断循环进行审计和改进。EvoQuantLab通过应用结构和多样性约束以及多指标验证，旨在缓解LLM方法中常见的反向测试过拟合问题。
-
SoccerMaster: 新型视觉基础模型统一多种足球理解任务
研究人员推出 SoccerMaster，这是一种新颖的视觉基础模型，旨在实现全面的足球理解。该模型通过监督式多任务预训练，在一个框架内统一了从运动员检测到事件分类的各种任务。为此，开发了一个名为 SoccerFactory 的自动化数据策管流水线，以生成可扩展的空间注释并整合现有的足球视频数据集。
-
研究人员开发了可学习的任务向量，以改善大型语言模型中的上下文学习能力
研究人员开发了一种新的“可学习任务向量”（LTVs）训练方法，该方法提高了大型语言模型（LLMs）的上下文学习能力。与之前提取任务向量的方法不同，LTVs是直接训练的，并在不同模型层和位置上展现出优越的性能和灵活性。该研究还提供了机制洞察，揭示了任务向量主要通过特定的注意力头影响预测，并在很大程度上通过模型的层进行线性传播。
-
研究人员分析注意力头以理解LLM中的情境学习
研究人员开发了一个名为任务子空间Logit归因（TSLA）的新框架，用于分析大型语言模型如何执行情境学习。该框架识别出负责识别任务和从中学习的特定注意力头，并展示了它们各自的作用。研究表明，这些已识别的注意力头可以通过对齐模型状态与任务子空间来实现识别，并通过旋转它们来实现预测，从而为各种情境学习机制提供了一个统一的解释。
-
StreamAgent 预测未来视频事件以实现实时理解
研究人员推出 StreamAgent，一个专为流视频实时理解设计的新颖系统。与现有的对事件做出反应或异步运行的方法不同，StreamAgent 主动预测视频流中未来相关信息。它整合了问题语义和历史数据，以预测可能包含重要内容的时间间隔和空间区域，从而实现更具响应性和目标驱动的行动。该系统还具有流式 KV 缓存内存机制，用于高效信息检索和降低计算开销。