Stella
PulseAugur coverage of Stella — every cluster mentioning Stella across labs, papers, and developer communities, ranked by signal.
-
2600模拟器Stella采用Slopcode，平台弃用Google ReCAPTCHA
一位Mastodon用户分享说，Stella，一个2600模拟器，已经采用了slopcode。该用户对这一决定的原因表示惊讶和不感兴趣。帖子还提到，该平台不再使用Google ReCAPTCHA或YouTube的JavaScript，并提供了源代码链接。
-
新框架ARISE-RL赋能AI智能体进行迭代式自我进化
研究人员推出ARISE-RL，一个旨在增强强化学习训练的智能体自我进化能力的新型框架。该框架通过耦合任务/评分标准生成器和推理求解器来应对开放式任务中的挑战，从而实现迭代式改进。它还纳入了奖励门控自我进化蒸馏（RG-SED）来优化策略学习，并引入了ECR-Bench，一个用于评估智能体在复杂研究和规划任务上性能的新基准套件。
-
GESIS Search研究发现语义相似性最适合社会科学推荐
一篇新发表在arXiv上的研究论文详细介绍了在GESIS Search（一个专门的社会科学搜索引擎）中集成和评估各种推荐系统。研究人员实现了并比较了词汇相似性、基于Transformer的语义相似性以及基于会话的推荐算法。研究结果表明，用户普遍偏好基于语义相似性的推荐，而非词语相似性和基于会话的方法，尽管在搜索引擎的不同类别中性能有所差异。
-
新的ChebyMA方法提供了卓越的参数-准确性权衡
一种新的参数高效自适应方法ChebyMA（切比雪夫流形自适应）已被引入。ChebyMA利用切比雪夫多项式基的多曲面叠加来近似权重矩阵，提供了比标准线性投影更具表现力的替代方案。理论分析表明，ChebyMA保证了Frobenius范数误差的收敛性，并在多曲面叠加解耦复杂特征方面显示出优势。在计算机视觉和自然语言处理数据集上的实验表明，ChebyMA在参数-准确性权衡方面优于LoRA和TLoRA等方法。
-
STELLA框架赋能LLM进行设备端人类活动识别
研究人员开发了STELLA，一个新颖的框架，旨在赋能大型语言模型（LLMs）进行设备端人类活动识别（HAR）。该系统有效地将原始传感器数据转换为紧凑的潜在令牌，然后由冻结的LLM进行处理。STELLA还通过调整轻量级分词器来实现设备端个性化，允许随着用户特定数据的积累而持续改进。该框架在多个数据集和设置中实现了最先进的性能，证明了在实际移动和边缘计算约束下进行实时推理的能力。