Hungarian matching
PulseAugur coverage of Hungarian matching — every cluster mentioning Hungarian matching across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架PI-AMFM增强生物医学信号分析
研究人员开发了PI-AMFM，一个新颖的神经网络框架，用于将生物医学信号分解为其组成的调幅-调频（AM-FM）模式。该方法解决了变分量基数数的挑战，意味着它可以在不需要预定义计数的情况下识别信号中不断变化的振荡模式数量。通过在训练过程中采用Mamba骨干网络和置换不变匈牙利匹配，PI-AMFM在合成数据上的分解、频率估计和模式计数方面表现出比现有技术更高的准确性。该框架还显示出捕捉实际光电容积描记记录中相关生理动力学（如心率和呼吸信号…
-
新的MIMA框架解决了推荐系统中的兴趣塌陷问题
研究人员开发了一个名为MIMA的新推荐框架，旨在解决多兴趣推荐系统中的“兴趣塌陷”问题。MIMA采用多正例互斥分配策略，将用户请求中一起出现的物品分组，以监督不同的用户兴趣。这种方法结合因果Transformer解码器和匈牙利匹配，在训练过程中鼓励兴趣区分。此外，MIMA还包含一个路由模块来估计用户兴趣激活概率，从而在推理过程中实现不同兴趣通道之间可比的分数。在包括一个工业数据集在内的多个数据集上的实验表明，MIMA的性能优于现有方法…
-
SetMIR 将多兴趣检索视为集合预测，提升 Snap 的广告效果
研究人员开发了 SetMIR，一种将多兴趣检索问题视为集合预测任务的新颖方法。该方法利用 Transformer 编码用户历史记录和 K 个可学习的查询来解码不同的用户兴趣，每个兴趣都有一个存在分数。SetMIR 通过在训练期间使用 Hungarian 匹配，并在服务时使用存在分数和非极大值抑制 (NMS) 来优化查询发布，从而解决了兴趣坍塌和静态分派等问题。在 Snap 的动态产品广告数据上进行测试时，SetMIR 的性能优于现有的…
-
新框架通过LLM引导的对齐增强三维物体检测
研究人员开发了一个新的开放词汇三维物体检测框架，旨在提高识别三维场景中未见物体准确性。所提出的方法通过一种利用几何一致性、物体性和语义确定性的共蒸馏策略来增强新物体发现。此外，它通过一种双重指导学习方案来加强模型训练，该方案结合了用于回归的场景感知和用于分类的LLM引导的对齐，从而减少了不精确边界框和语义模糊的影响。在SUN RGB-D和ScanNetV2数据集上的实验表明，与现有最先进方法相比，性能有了显著提高。
-
新方法提高了LLM检查点迁移的准确性
研究人员开发了一种名为Signed-Permutation Coordinate Transport (SPCT)的新方法，以提高大型语言模型 (LLM) 检查点之间信息迁移的准确性。该技术通过同时考虑模型参数的置换和符号变化，解决了现有方法（尤其是在基于RMSNorm的模型上）的局限性。SPCT显著提高了坐标迁移的准确性，从而在稀疏自编码器重建和情感引导等任务中获得更好的性能。
-
新的分层GRU模型以17.91%的mAP预测足球动作
研究人员开发了一种新颖的分层模型，用于预测足球比赛中的球类动作。该系统利用Transformer对剪辑级特征进行编码，并使用GRU聚合时间上下文，在30秒的观察基础上预测5秒窗口内的动作。该方法结合了频率加权匈牙利匹配以偏好稀有动作类别，以及高斯软目标进行时间监督，在SoccerNet球类动作预测基准上达到了17.91%的mAP。
-
MU-SHOT-Fi框架将Wi-Fi感知模型适配到新环境
研究人员开发了MU-SHOT-Fi，一个用于Wi-Fi感知的创新框架，可提高多用户环境中人类活动识别的准确性。该方法解决了深度学习模型在不同环境中的泛化能力以及处理重叠用户活动所面临的挑战。MU-SHOT-Fi利用无源无监督域自适应，仅使用未标记数据和预训练模型即可适应新环境。