Rong Fu
PulseAugur coverage of Rong Fu — every cluster mentioning Rong Fu across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
SwiftGS系统可实现从卫星图像快速进行3D重建
研究人员推出SwiftGS，一个用于从卫星图像进行快速、大规模3D重建的新型系统。该元学习系统利用片段训练来预测几何-辐射解耦的高斯基元和轻量级SDF，从而实现单次前向传播进行重建。SwiftGS旨在克服光照变化和传感器异质性等挑战，以降低计算成本提供准确的数字表面模型（DSM）重建和视图一致性渲染。
-
CityGuard框架增强了城市监控中隐私保护的身份搜索能力
研究人员开发了CityGuard，一个新颖的基于Transformer的框架，专为跨城市监控系统进行隐私保护的身份搜索而设计。该系统通过避免共享原始图像，解决了视角变化、遮挡和域偏移等挑战，同时遵守严格的数据保护法规。CityGuard集成了分散自适应度量学习器、用于跨视图对齐的空间条件注意力，以及具有近似索引的差分隐私嵌入图，以确保安全高效的部署。
-
LiveGraph框架增强了数字学习中的运动推荐
研究人员推出LiveGraph，一个旨在改善数字学习环境中运动推荐的新框架。该系统解决了学生参与度长尾分布和难以适应个体学习节奏等挑战。LiveGraph使用基于图的表示来连接活跃和不活跃的学生，并结合动态重排机制来确保内容多样性，平衡准确性与教学多样性。
-
新的GaiaFlow框架旨在实现碳节约型人工智能搜索
研究人员开发了GaiaFlow，一个旨在使信息检索系统更具碳节约性的新框架。该方法使用语义引导扩散调优，将检索引导的Langevin动力学与独立于硬件的性能建模相结合。GaiaFlow旨在通过自适应的提前退出协议和精度感知量化推理来平衡搜索精度与环境可持续性，在不影响检索质量的情况下显著提高能效。
-
TempoNet：Transformer引导调度器增强实时任务调度
研究人员开发了TempoNet，这是一种新颖的强化学习调度器，专为具有严格截止时间和计算预算的实时系统而设计。该系统利用Transformer架构结合深度Q近似，并包含一个“紧急度标记器”将时间松弛嵌入可学习的表示中。在各种工业和多处理器环境中，TempoNet在截止时间满足率方面均显著优于现有的分析和神经网络调度方法。
-
NeuroPareto架构通过校准不确定性优化高维搜索
研究人员开发了NeuroPareto，这是一种新颖的架构，旨在在计算约束下优化高维搜索空间中的权衡。该系统集成了以排名为中心的过滤、不确定性解耦和历史条件采集策略，以有效地导航复杂的目标景观。NeuroPareto利用校准的贝叶斯分类器来估计认知不确定性，并利用深度高斯过程代理来区分预测不确定性，从而指导昂贵的评估趋向于平衡收敛性和多样性的区域。在标准基准套件和一次地下能源开采任务上的实验表明，与现有基线相比，NeuroPareto在…
-
SwiftRepertoire框架实现少样本免疫特征合成
研究人员开发了SwiftRepertoire，一个旨在合成用于分析T细胞受体的特定任务参数化的新框架。该方法利用了学习到的原型字典和轻量级任务描述符来创建小的适配器模块，这些模块可以应用于一个固定的、预先训练好的骨干模型。这种方法能够以最少的标记数据和无需完全微调模型即可高效地适应新任务，并通过感知动机的探针和校准的发现流程来保持可解释性。
-
新的双曲框架增强了多模态情感和情绪分析
研究人员推出了一种新颖的双曲超图框架 Emotion Collider (EC-Net)，用于多模态情感和情绪分析。该系统利用 Poincaré 球嵌入来建模模态层次结构，并采用超图机制进行双向消息传递。EC-Net 在双曲空间中结合了对比学习，并采用解耦的径向和角向目标来增强类别分离，通过自适应超边构建来保留高阶语义关系。在标准基准测试上的实验表明，EC-Net 在生成鲁棒且准确的表示方面非常有效，尤其是在模态数据嘈杂或不完整的情况下。
-
AdvSynGNN架构增强图神经网络对结构噪声的弹性
研究人员开发了AdvSynGNN，这是一种新颖的图神经网络架构，旨在提高其在结构噪声和非同质拓扑下的性能和弹性。该框架结合了多分辨率结构合成和对比目标，用于几何敏感初始化。它还具有一个Transformer骨干网络，通过学习到的拓扑信号调制注意力机制来适应异质性，以及一个用于连接改变和全局一致性强制执行的对抗性传播引擎。此外，使用残差校正和每节点置信度指标的标签精炼过程增强了在各种图分布下的迭代稳定性和预测准确性。
-
新的Chimera框架将神经网络与符号逻辑集成，用于数据平面智能
研究人员推出Chimera，一个新颖的框架，旨在将神经网络计算与符号约束直接集成到可编程数据平面上。该方法旨在实现高速、低延迟的流量分析，同时确保可预测和可审计的行为，克服了严格硬件限制带来的局限性。Chimera利用近似注意力机制和分层键选择系统来强制执行符号保证，从而在网络设备的匹配-动作管道中实现表达性推理。
-
新的SubQuad管道改进了自适应免疫组库分析
研究人员开发了SubQuad，这是一个旨在克服自适应免疫组库分析中局限性的新管道。该系统解决了成对亲和力评估的计算成本以及可能掩盖稀有但重要的细胞群的数据集不平衡问题。SubQuad结合了近亚二次方检索方法、GPU加速亲和力核、学习到的多模态融合和公平性约束聚类，以提高吞吐量和内存使用率，同时保持或提高召回率和聚类纯度。
-
新研究挑战了人工智能情感分析中处理缺失数据的传统方法
两篇新研究论文探讨了处理多模态情感分析中缺失数据的新方法。第一篇论文介绍了 Missing-by-Design (MBD) 框架，该框架结合了结构化学习和参数修改，用于可认证的模态删除，允许选择性地移除敏感数据同时保持任务性能。第二篇论文质疑了始终修复缺失模态的必要性，提出了 SIEVE (Sufficiency-Informed Evidential Valve)，它学习在样本基础上决定是否修复缺失数据，改进了现有的先修复方法。
-
神经符号AI研究将神经网络与符号推理相结合
两篇研究论文探讨了用于增强AI能力的神经符号方法。第一篇NeuroSymActive论文将一个可微分的神经符号推理层与一个主动探索控制器相结合，用于知识图谱问答，目标是以更少的图查找获得更高的准确性。第二篇论文提出了一个框架，将图神经网络与关系贝叶斯网络相结合，实现了图数据的灵活推理和概率建模，用于节点分类和环境规划等任务。