Meta

Sample Complexity Bounds for Stochastic Shortest Path with a Generative Model

在具有生成模型的随机最短路径中的样本复杂性界

Jean Tarbouriech, Matteo Pirotta, Michal Valko, Alessandro Lazaric

机构 * Facebook AI Research Paris（脸书人工智能研究巴黎） ； Inria Lille（里尔研究所） ； DeepMind Paris（深度思维巴黎） 纠错

AI总结 研究在随机最短路径问题中学习ε-最优策略的样本复杂性，证明在生成模型下存在最坏情况下的样本下界，并提出匹配该下界的算法。

Comments Accepted at the 32nd International Conference on Algorithmic Learning Theory (ALT 2021)

Neural Computers

神经计算机

Mingchen Zhuge, Changsheng Zhao, Haozhe Liu, Zijian Zhou, Shuming Liu, Wenyi Wang, Ernie Chang, Gael Le Lan, Junjie Fei, Wenxuan Zhang, Yasheng Sun, Zhipeng Cai, Zechun Liu, Yunyang Xiong, Yining Yang, Yuandong Tian, Yangyang Shi, Vikas Chandra, Jürgen Schmidhuber

机构 * Meta AI 纠错

AI总结 本文提出神经计算机，通过学习运行时状态统一计算、内存和I/O，探索完全神经计算机的实现路径，展示其在接口基本操作上的能力及挑战。

Comments Github (data pipeline): https://github.com/metauto-ai/NeuralComputer; Blogpost: https://metauto.ai/neuralcomputer/index_eng.html

LLaMo: Scaling Pretrained Language Models for Unified Motion Understanding and Generation with Continuous Autoregressive Tokens

LLaMo：通过连续自回归令牌扩展预训练语言模型，实现统一的运动理解和生成

Zekun Li, Sizhe An, Chengcheng Tang, Chuan Guo, Ivan Shugurov, Linguang Zhang, Amy Zhao, Srinath Sridhar, Lingling Tao, Abhay Mittal

机构 * Brown University（布朗大学） ； Meta 纠错

AI总结 LLaMo通过模态特定的Transformer混合架构扩展预训练语言模型，解决运动-语言生成和理解的统一问题，实现高保真文本到运动生成和运动到文本描述。

Comments Project page: https://kunkun0w0.github.io/project/LLaMo/