Xingjian Wu
PulseAugur coverage of Xingjian Wu — every cluster mentioning Xingjian Wu across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
FLAME：新推出的轻量级时间序列基础模型
研究人员推出了 FLAME，这是一系列新颖的轻量级时间序列基础模型，专为多功能预测任务而设计。FLAME 利用勒让德记忆（包括翻译（LegT）和缩放（LegS）变体）来增强泛化能力和远程推理能力。为了提高概率预测的准确性和效率，FLAME 采用了一种基于归一化流的预测头，能够对复杂分布进行生成建模。在 TSFM-Bench、ProbTS 和 TFB 等基准测试上的实验表明，FLAME 作为决策智能工具的有效性。
-
新的ST-EVO框架增强了多智能体通信拓扑
研究人员推出了一种新颖的框架ST-EVO，用于多智能体系统（MAS）的生成式时空演化。该方法通过实现对话式通信调度来增强协作智能，超越了静态或单维度演化范式。ST-EVO整合了不确定性感知和自我反馈机制以从经验中学习，在九个基准测试中展示了5%-25%的显著准确性提升。
-
SEER框架处理噪声、缺失和偏移的时间序列数据
研究人员推出SEER，一个基于Transformer的框架，旨在增强时间序列预测的鲁棒性。SEER通过采用自动化的补丁增强和替换策略，解决了噪声、异常、缺失值和分布偏移等常见数据质量问题。这种方法允许对各种低质量时间序列数据进行统一建模，旨在提高在数据不完美现实工业应用中的预测准确性和稳定性。
-
DMoA 使大型语言模型能够动态适应智能体协作
研究人员推出了一种名为可微分多智能体混合模型（DMoA）的新型框架，该框架允许大型语言模型在推理过程中动态调整其协作策略。与使用固定通信路径的现有系统不同，DMoA 的自演化方法使智能体能够根据任务需求形成灵活的、涌现的通信拓扑。这通过一种可微分的路由机制实现，该机制利用历史上下文和预测熵进行优化，从而在多个基准测试中取得了最先进的性能，并提高了效率和鲁棒性。