Zhen Zhang
PulseAugur coverage of Zhen Zhang — every cluster mentioning Zhen Zhang across labs, papers, and developer communities, ranked by signal.
-
新的RADAR框架优化多智能体AI通信
研究人员开发了RADAR，一个用于生成多智能体AI系统通信结构的新框架。该方法使用逐步扩散过程来适应性地减少通信开销，提高效率和鲁棒性。在六个基准测试上的实验表明，RADAR在准确性和令牌消耗方面优于现有方法。
-
新的开放权重代理利用合成数据和新颖的架构来处理深度研究任务
两篇新的研究论文介绍了专为深度研究任务设计的先进代理系统。第一篇，QUEST，提供了一系列在合成数据上训练的开放权重模型（2B 到 35B 参数），在事实查找、引用归因和报告合成方面表现出色，可与专有代理相媲美。第二篇，Argus，提出了一个基于 35B MoE 主干构建的协作式 Searcher-Navigator 系统，该系统擅长从互补来源组装证据，在 BrowseComp 等基准测试中取得了最先进的成果，同时保持了可管理的上下文窗口。
-
新方法利用因果推理改进类别增量学习
研究人员为类别增量学习（CIL）引入了一种新颖的正则化方法，通过关注因果充分性和必要性来解决灾难性遗忘问题。该方法称为 CPNS，旨在通过量化任务内表示的因果完整性以及任务间表示的可分离性来减轻特征冲突。采用使用孪生网络的双范围反事实生成器来最小化与虚假关联相关的风险，从而改善 CIL 中的特征扩展。
-
新的FR-IQA模型使用因果推理来改进图像质量评估
研究人员引入了一个新的全参考图像质量评估（FR-IQA）框架，该框架利用因果推理和解耦表示学习。该方法通过利用内容不变性和受人类视觉感知启发的掩码模块，将图像内容与退化特征分开。该方法从这些退化特征中预测质量分数，在标准基准测试中表现强劲，并在各种图像类型（包括医学和水下图像）中具有卓越的跨域泛化能力，即使在无标签设置下也是如此。