More
PulseAugur coverage of More — every cluster mentioning More across labs, papers, and developer communities, ranked by signal.
- 2026-06-08 research_milestone A new adaptive multi-objective reinforcement learning framework called MORE was introduced for e-commerce dialogue systems. 来源
- 2026-06-08 research_milestone A new adaptive multi-objective reinforcement learning framework called MORE was detailed in a research paper, showing significant improvements in e-commerce dialogue systems. 来源
1 天有情绪数据
-
新的UG-UMRE框架增强了多模态关系抽取
研究人员开发了一个名为UG-UMRE的新框架，以改进统一多模态关系抽取（UMRE）。该方法解决了由固有不确定性引起的噪声传播问题以及不同模态分布之间的异质性问题。UG-UMRE包含一个不确定性驱动的单模态增强（UDUA）模块，该模块将特征建模为高斯分布，并使用自监督对比学习来过滤噪声。此外，一个联合随机不确定性对齐（JAUA）模块通过将跨模态的统计属性对齐到一个共享的潜在空间来预先校准语义。在基准数据集上的实验表明，UG-UMRE达到…
-
新MoRe方法加速多目标学习收敛
研究人员开发了一种名为MoRe的新型随机多目标学习方法，该方法提高了同时优化多个目标的收敛速度。该方法通过利用正则性条件下避免冲突方向的Lipschitz连续性，解决了现有随机MGDA技术的局限性。这一理论上的进步在非凸环境中带来了更快的收敛速度，并且已被经验验证可提高多任务性能。
-
新基准 MORE 评估 149 种语言的多语言文档解析能力
研究人员推出了 MORE，这是一个旨在评估 149 种语言多语言文档解析能力的新基准。该基准解决了当前模型在英语和标准中文以外的语言上缺乏评估的问题，这对于解锁全球知识至关重要。MORE 的显著特点是其广泛的语言覆盖范围、对表格和代码块等结构元素以及文本的评估，以及使用通过人工优化流程标注的真实世界文档。使用 MORE 进行的初步评估为不太常见的语言设定了新的性能基准，并证明了该基准在识别模型弱点方面的实用性。
-
新AI框架MORE提升电商对话转化率
研究人员开发了一个名为MORE的新型自适应多目标强化学习框架，旨在优化电子商务对话系统中的推理准确性和语言自然度。该方法将推理函数视为指导策略优化的约束，避免了直接混合奖励带来的不稳定性。在字节跳动生产流量上的在线实验表明，MORE将转化率提高了16%以上，并实现了超过30%的转化达成率，同时还提升了用户满意度。
-
新方法学习用于持续学习的域不变表示
研究人员开发了用于持续学习的新方法，重点在于学习域不变表示。这种方法旨在防止模型过拟合到特定的领域线索，从而提高对未见数据的泛化能力。所提出的技术结合了基于重放的训练和顺序不变性对齐，在各种基准测试上的表现优于现有的持续学习方法。这项工作通过专门解决域不变性问题，为持续学习做出了新颖的贡献。