sequence-to-sequence learning
PulseAugur coverage of sequence-to-sequence learning — every cluster mentioning sequence-to-sequence learning across labs, papers, and developer communities, ranked by signal.
-
人工智能利用卫星数据和天气模式预测作物生长
研究人员开发了一种利用地球观测数据和气象驱动因素预测作物生长的方法。该研究侧重于预测冬季小麦未来的叶面积指数（LAI）轨迹，使用了来自瑞士的多年数据集。通过采用序列到序列模型，该方法旨在克服由于云层覆盖和重访间隔导致的LAI监督稀疏的挑战，并展示了改进的轨迹合理性和准确性。
-
新型轻量级网络提升工业NILM的准确性和速度
研究人员开发了SEDR-Seq2P，这是一种专为多任务工业非侵入式负荷监测（NILM）设计的新型轻量级网络。该网络通过引入扩张残差块和Squeeze-and-Excitation注意力机制扩展了Seq2Point架构，以提高准确性并降低计算成本。实验表明，SEDR-Seq2P在平均绝对误差（MAE）方面比基线Seq2Point提高了约7%，在决定系数方面提高了1%，同时与WaveNet等模型相比，显著降低了推理延迟。
-
新方法弥合巴纳语-越南语翻译鸿沟
研究人员开发了一种巴纳语-越南语翻译方法，旨在弥合越南少数民族之间的文化理解。由于巴纳语资源稀缺，研究团队采用了基于预训练越南语序列到序列语言模型的迁移学习方法。该方法通过数据增强和启发式技术进一步优化，以提高翻译准确性并解决资源不平衡问题。
-
新的InterPet4D数据集和InterPetMoGen框架推动人宠动作生成研究
研究人员推出了InterPet4D，一个旨在推进人宠交互研究（特别关注动作生成）的新型多模态数据集。该数据集包含680万帧捕捉人与狗之间自然交互的画面，并配有同步的多视角视频、2D/3D关键点、网格和音频。研究团队还开发了利用Diffusion Transformer架构的InterPetMoGen框架。他们的模型在基线方法上表现出色，FID得分为11.21，突显了该数据集在真实人宠动作建模方面的实用性。
-
新的InterPet4D数据集和框架推动人宠运动生成研究
研究人员推出了InterPet4D，一个新颖的多模态数据集，旨在推动人宠交互研究，特别是在运动生成方面。该数据集包含680万帧同步的多视角和以自我为中心的视频，以及人类和狗的详细标注，包括关键点、网格和音频。配套的InterPetMoGen框架采用序列到序列学习和Diffusion Transformer构建，在生成逼真的人宠交互方面表现出色，FID得分为11.21。
-
新任务模型化维修说明中的程序关联
研究人员引入了互补动作建模（CAM），这是一项新任务，专注于通过修改动作短语同时保持句子上下文其余部分不变来识别或生成维修说明的程序对应项。这种方法区分了程序关联与简单的句子相似性或基于同义词的释义，尤其是在汽车维修环境中。该研究使用了德语数据集，并采用序列到序列生成来分析这些细微的词汇线索。
-
新框架解决车联网边缘计算任务卸载问题
研究人员开发了一个名为 FedMAGS 的新框架，用于管理车联网边缘计算系统中的计算任务。该方法结合了图注意力网络和 Seq2Seq 模型来处理复杂的任务依赖关系并生成有效的卸载决策。该框架还融入了联邦元学习，以便在不损害数据隐私的情况下跨不同边缘服务器进行快速适应。