PPFlow: Target-aware Peptide Design with Torsional Flow Matching
Zhejiang University(浙江大学);Westlake University(西湖大学)
本研究提出基于环面流形条件流匹配的靶点感知肽设计方法PPFlow,构建蛋白质-肽结合数据集PPBench2024,实验证明其在肽药物生成优化等任务上达SOTA且可推广至多任务。
2024-12-09 cs.AI cs.LG q-bio.BM
Prior-Guided Flow Matching for Target-Aware Molecule Design with Learnable Atom Number
School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院)
提出PAFlow模型,通过流匹配框架、相互作用引导和可学习原子数预测器,解决生成分子与蛋白口袋不匹配问题,在结合亲和力上达到最优。
2025-11-04 cs.LG
ContextFlow: Context-Aware Flow Matching For Trajectory Inference From Spatial Omics Data
CISPA Helmholtz Center for Information Security(CISPA 高等研究院);Department of Computer Science and Technology, University of Cambridge(剑桥大学计算机科学与技术系);Institute for Computational Biomedicine, Heidelberg University Hospital(海德堡大学医院计算生物医学研究所)
ContextFlow通过整合局部组织结构和配体-受体通信模式,提升从空间解析组学数据中推断轨迹的准确性与生物学意义。
2026-05-14 cs.LG
STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching
本文提出STRIDE框架,结合拉格朗日神经网络与条件流匹配,分离保守刚体动力学与非保守随机交互效应,提升机器人在不确定环境中的预测精度与控制可靠性。
2026-03-15 cs.LG cs.RO
Flow-ERD: Agent-type Aware Flow Matching With Entropy-Regularized Distillation for Diverse Traffic Simulation
NAVER LABS Corp.(NAVER实验室公司)
为解决交通模拟中多样性未被充分探索的问题,提出Flow-ERD模拟器,其核心方法是智能体类型感知流匹配与熵正则化蒸馏,能联合追求现实性和多样性,在测试基准中排名第一,主导帕累托前沿。
2026-10-26 cs.LG cs.RO
Enhancing Deep Learning Based Structured Illumination Microscopy Reconstruction with Light Field Awareness
University of Science and Technology of China(中国科学技术大学);CAS Center For Excellence in Quantum Information and Quantum Physics(中科院量子信息与量子科技创新研究院);Hefei National Laboratory(合肥国家实验室)
针对深度学习SIM重建在分布外数据上易产生伪影的问题,提出AL-SIM直接估计实际光场以校正分布偏移误差,实验显示NRMSE降低7%。
2025-03-14 cs.AI physics.optics
Graph Flow Matching: Enhancing Image Generation with Neighbor-Aware Flow Fields
本文提出图流匹配(GFM),通过将速度场分解为反应项与图神经扩散项来聚合邻域信息,在五个图像生成基准上一致提升FID和召回率,以极小计算代价增强现有流匹配架构。
2025-11-10 cs.CV cs.LG
Understanding Structured Health Data through Interaction-Aware Mixture-of-Experts
研究通过交互感知专家混合模型,利用结构化健康记录多层次视图预测中风后僵硬,路由归因揭示视图差异,凸显视图构建对可解释性的关键作用。
2026-07-15 cs.LG
Technical Report: A Generalized Matching Pursuit Approach for Graph-Structured Sparsity
University at Albany – SUNY(奥尔巴尼大学)
稀疏约束优化问题是数据采掘、机器学习和统计学中一个重要且具有挑战性的问题。在本文中,我们专注于稀疏约束优化的情况下,成本函数是一个一般的非线性函数,特别是,稀疏约束定义的图结构稀疏模型。现有的方法在线性模型中稀疏估计的背景下探索这个问题。据我们所知,这是第一个工作,提出了一个有效的近似算法,即图结构的匹配追踪(Graph-Mp),以优化一般的非线性函数图结构的约束。我们证明,我们的算法享有类似于那些设计的线性模型的收敛速度和逼近精度的强保证。作为一个案例研究,我们专门Graph-Mp优化了一些著名的图扫描统计模型的连接子图检测任务,经验证据表明,我们的通用算法表现优于国家的最先进的方法,专门为连接子图检测的任务。
2016-12-11 cs.AI cs.LG stat.ML
ChronoFormer: Time-Aware Transformer Architectures for Structured Clinical Event Modeling
University of the Chinese Academy of Sciences(中国科学院大学);Columbia University(哥伦比亚大学)
本文提出时间感知Transformer架构ChronoFormer,通过时间嵌入、分层注意力和领域掩码建模EHR时间依赖,在死亡率、再入院和共病预测任务上超越现有方法。
2025-04-10 cs.AI cs.LG
Sample-aware Adaptive Structured Pruning for Large Language Models
本文提出AdaPruner框架,通过贝叶斯优化自适应选择校准数据与重要性估计指标,在多种剪枝比例下优于现有结构化剪枝方法,并在20%剪枝时保持97%性能。
2025-03-08 cs.AI cs.CL cs.LG
Uncertainty-Aware Trust Estimation for Multi-LLM Systems via Structured Expert Judgement
DigitLab, University of Exeter(数字实验室,埃克塞特大学)
研究多语言模型聚合问题,核心方法是采用结构化专家判断,通过上下文感知校准问题及库克式对数加权估计专家可靠性,主要贡献是在异构和受污染情况下实现更好的准确性-可靠性平衡,强调聚合时需校准信任。
2026-07-24 cs.AI cs.LG
Decentralized, Communication- and Coordination-free Learning in Structured Matching Markets
University of California Berkeley(加州大学伯克利分校);Caltech(加州理工学院)
本文研究了双边匹配市场下竞争环境下的在线学习问题。特别是,市场的一方,代理商,必须了解他们的偏好,通过反复的互动,同时与其他代理商竞争成功的匹配。我们提出了一类分散的,通信和协调的免费算法,代理可以使用它来达到他们的稳定匹配结构化匹配市场。与以前的作品相比,所提出的算法仅根据代理人自己的游戏历史做出决策,不需要预先知道公司的偏好。我们的算法是通过分裂学习一个人的偏好,从嘈杂的观察,从竞争的公司的问题的统计问题。我们表明,根据现实的结构性假设的代理人和公司的基本偏好,所提出的算法招致的遗憾,增长在时间范围内的最grammically。我们的研究结果表明,在匹配市场的情况下,竞争不需要急剧影响分散的,通信和协调自由的在线学习算法的性能。
2022-06-06 cs.AI cs.LG cs.MA
PRISM: Priority-aware Rubric Internalization via Structured Multimodal Data Synthesis
该研究针对多模态指令多要求重要性不等的问题,提出PRISM四阶段数据合成框架,结合PRISM-Eval评估,提升多模态大模型的多规则优先级感知指令遵循能力。
2026-08-10 cs.AI cs.LG
Structured Role-Aware Policy Optimization for Multimodal Reasoning
School of Computing & Data Science, The University of Hong Kong(计算与数据科学学院,香港大学);School of Computing & Data Science and Institute of Data Science, The University of Hong Kong(计算与数据科学学院和数据科学研究所,香港大学)
本文提出结构化角色感知策略优化(SRPO),通过角色感知的token级信用分配提升多模态推理中的证据基础推理能力,无需外部奖励模型。
2026-11-20 cs.AI cs.LG
QS4D: Quantization-aware training for efficient hardware deployment of structured state-space sequential models
JARA(于利希亚琛研究联盟);University of Groningen(格罗宁根大学);RWTH Aachen University(亚琛工业大学)
本研究提出量化感知训练方法,显著降低结构化状态空间模型复杂度,增强模拟噪声鲁棒性并实现结构化剪枝,最终成功部署于忆阻器模拟存内计算硬件,提升计算效率。
2025-07-08 cs.AI cs.LG
Structured and Deep Similarity Matching via Structured and Deep Hebbian Networks
John A. Paulson School of Engineering and Applied Sciences(约翰·A·保尔森工程与应用科学学院);Harvard University(哈佛大学)
突触可塑性被广泛认为是大脑神经网络学习的机制。一个核心问题是,只能访问有关网络的本地信息的突触如何仍然能够以有效的方式集体组织并执行电路范围的学习。在单层和全对全连接的神经网络中,局部可塑性已被证明可以在一类成本函数上实现基于梯度的学习,这些成本函数包含一个将输出的相似性与输入的相似性对齐的项。对于具有其他架构的网络是否存在这样的成本函数尚不清楚。在本文中,我们介绍了结构化和深度相似性匹配成本函数,并展示了如何通过具有局部学习规则的神经网络以基于梯度的方式优化它们。这些网络将Földiak的Hebbian/Anti-Hebbian网络扩展到深层架构和结构化的前馈,横向和反馈连接。信用分配问题的解决优雅的双重学习目标的分解突触特定的本地目标。模拟表明,我们的网络学习有意义的特征。
2019-12-04 cs.LG cs.NE
Graph Matching Networks for Learning the Similarity of Graph Structured Objects
DeepMind;Google(谷歌)
本文解决了具有挑战性的问题的检索和匹配的图结构的对象,并作出了两个关键的贡献。首先,我们演示了如何图神经网络(GNN),这已经成为一个有效的模型,各种监督预测问题定义的结构化数据,可以训练产生嵌入的图形向量空间,使有效的相似性推理。其次,我们提出了一种新的图匹配网络模型,给定一对图作为输入,通过一种新的基于交叉图注意力的匹配机制对这对图进行联合推理,计算它们之间的相似性得分。我们证明了我们的模型在不同领域的有效性,包括具有挑战性的问题,基于控制流图的功能相似性搜索,在软件系统中的漏洞检测中起着重要作用。实验分析表明,我们的模型不仅能够在相似性学习的背景下利用结构,而且还可以优于针对这些问题精心设计的特定领域基线系统。
2019-05-12 cs.LG stat.ML
Robust Near-Isometric Matching via Structured Learning of Graphical Models
NICTA(澳大利亚国家信息与通信技术研究院);Australian National University(澳大利亚国立大学)
用于近刚性形状匹配的模型通常基于与距离相关的特征,以便推断与等距假设一致的匹配。然而,从图像数据集的真实形状,即使预期是相关的“几乎等距”的转换,实际上是不仅受到噪声,而且在一定程度上,在外观和规模的变化。在本文中,我们引入了一个图形模型,它可以参数化外观,距离和角度特征,并且我们通过结构化预测来学习所有相关参数。其结果是一个模型的近刚性形状匹配,这是强大的意义上说,它是能够捕捉到可能有限的,但仍然重要的规模和外观变化。我们的实验结果显示,最近成功的模型有很大的改进,同时保持类似的运行时间。
2008-09-21 cs.CV cs.LG
A Class-aware Optimal Transport Approach with Higher-Order Moment Matching for Unsupervised Domain Adaptation
Monash University(莫纳什大学);Adobe Research(Adobe研究院)
针对无监督域适应中的数据与标签偏移问题,提出结合类别感知高阶矩匹配的类别感知最优传输方法,采用深度神经网络实现高效计算,实验效果优于现有最优基线。
2024-01-29 cs.AI cs.CV cs.LG
Latent Nonlinear Denoising Score Matching for Enhanced Learning of Structured Distributions
School of Mathematics(数学学院);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种结合非线性前向动力学与VAE的潜在SGM框架,通过改进的训练目标提升结构分布学习的效率和质量。
2026-10-28 cs.LG stat.ML
PRISM: Person Re-Identification via Structured Matching
Boston University(波士顿大学)
人的重新识别(re-id)是视觉监控中的一个新兴问题,它处理的是当个人穿越摄像机网络监控的各个位置时,如何维护个人的实体。从视觉的角度来看,re-id是具有挑战性的,因为在具有不同姿态、照明和校准的相机中,个体的视觉外观会发生显著变化。在全球范围内,挑战来自于需要在不同相机视图中的所有个体实体之间保持结构一致的匹配。我们提出了PRISM,一个结构化的匹配方法来共同应对这些挑战。我们将全局问题视为一个加权图匹配问题,并通过学习来估计边缘权重,以基于训练样本中视觉模式的同现来预测它们。这些基于同现的分数反过来通过推断训练实例中出现的可能和不可能的视觉同现来解释外观变化。我们在Single Shot和Multi-Shot场景中实现PRISM。PRISM在匹配率方面一致优于最先进的技术,同时计算效率高。
2015-05-08 cs.CV cs.LG stat.ML
Large Margin Semi-supervised Structured Output Learning
Indian Institute of Science(印度科学学院);Microsoft Research(微软研究院)
在结构化输出学习中,为现实世界的应用程序获取标记的数据通常是昂贵的,而未标记的示例则大量存在。半监督结构化分类已被开发用于处理大量未标记的结构化数据。在这项工作中,我们考虑半监督结构支持向量机域约束。优化问题,这在一般情况下是不凸的,包含与标记和未标记的例子以及域约束相关的损失项。我们提出了一个简单的优化方法,交替解决一个监督学习问题和约束匹配问题。针对结构化预测难以解决的约束匹配问题,提出了一种高效的爬山算法,在确定性退火框架下进行交替优化,有效地进行约束匹配,避免了局部极小值的产生.该算法实现简单,在基准数据集上取得了相当的泛化性能。
2013-11-09 cs.LG
Dependency-Aware Semi-Structured Sparsity of GLU Variants in Large Language Models
Nara Institute of Science and Technology(奈良科学技术大学)
本文提出依赖感知半结构化稀疏性方法DaSS,通过结合权重幅值与MLP中间激活范数的剪枝度量,在GLU类大语言模型上实现硬件友好的N:M稀疏,性能优于SparseGPT和Wanda并保持Wanda的计算效率。
2024-10-20 cs.AI cs.CL cs.LG
Understanding Domain-Aware Distribution Alignment in Budgeted Entity Matching
Worcester Polytechnic Institute(沃斯特理工学院)
本文研究低资源领域感知实体匹配方法BEACON,通过实验分析不同算法选择和可用数据条件对其性能的影响,揭示分布对齐的作用。
2026-07-01 cs.AI cs.DB cs.LG
XMatch: Enhancing Covariate-Aware Time Series Forecasting through Tree-Structured Exogenous Matching
East China Normal University(华东师范大学)
针对协变量感知时间序列预测,提出XMatch模型,通过树结构匹配外生与内生模式,自适应选择匹配条件,利用历史对应增强预测,在12个数据集上超越现有方法。
2026-09-29 cs.LG
Tree-Structured Neural Machine for Linguistics-Aware Sentence Generation
University of Chinese Academy of Sciences(中国科学院大学);Department of Computer Science, University of California Santa Barbara(加州大学圣塔芭芭拉分校计算机科学系);WeChat Search Application Department, Tencent(腾讯微信搜索应用部)
与其他序列数据不同,自然语言中的句子是由语言语法构成的。以前的生成会话模型与链结构解码器忽略了人类语言中的这种结构,可能会产生令人满意的相关性和流畅性较差的似是而非的反应。在这项研究中,我们的目标是将语言分析的结果融入到句子生成的过程中,以生成高质量的会话。具体来说,我们使用依赖分析器将每个响应句子转换为依赖树,并构建一个训练语料库的依赖树对。一个树结构的解码器被开发来学习从一个句子到它的树的映射,其中不同类型的隐藏状态被用来描述从一个内部树节点到它的孩子的局部依赖。为了加快训练速度,我们提出了一种树规范化方法,将树转换为等价的三叉树。然后,提出了一种树结构的搜索方法,该模型能够生成最可能的响应的依赖树的形式,这是最后平整成序列作为系统输出。实验结果表明,提出的X2Tree框架优于基线方法超过11.15%的接受率增加。
2018-01-03 cs.AI cs.CL cs.LG
Mosaic Zonotope Shadow Matching for Risk-Aware Autonomous Localization in Harsh Urban Environments
Stanford University(斯坦福大学)
利用全球导航卫星系统(GNSS)进行风险感知城市定位仍然是一个未解决的问题,用户的街道或街道的一侧经常被误检测。3D地图辅助GNSS的重大进展使用基于网格的GNSS阴影匹配以及AI驱动的视线(LOS)分类器和基于服务器的处理来提高定位精度,特别是在跨街道方向。我们以前的工作介绍了一种新的模式,提出了集值本地化的计算效率zonotope集表示的阴影匹配。虽然现有文献提高了准确性和效率,但阴影匹配理论的当前状态并不能满足风险感知自治系统的需求。我们扩展我们以前的工作,提出马赛克地带性阴影匹配(MZSM),采用分类器不可知多面体马赛克架构,提供风险意识和可认证的保证城市定位。我们制定了一个递归扩展的二叉树,细化的初始位置估计与集操作成较小的多面体。这些较小的多面体一起形成了一个马赛克。我们用用户在卫星视线内的概率来加权树枝,并用每个新的卫星观测来扩展树。我们的方法产生一个确切的阴影匹配分布,我们保证用户定位的不确定性范围。我们使用旧金山的3D建筑地图进行高保真模拟,以验证我们的算法的风险意识的改进。我们证明,MZSM提供了可认证的保证,在不同的数据驱动的LOS分类器的准确性,并产生了更精确的理解现有方法的不确定性。我们验证了我们的基于树的构造是有效的和易于处理的,计算马赛克从14颗卫星在0.63秒和卫星数量的二次增长。
2022-04-30 cs.AI cs.CV cs.LG
Semi-Structured Query Grounding for Document-Oriented Databases with Deep Retrieval and Its Application to Receipt and POI Matching
NAVER Corp(NAVER公司)
面向文档数据库的半结构化查询系统有许多实际应用。我们感兴趣的一个特定应用是将每个金融收据图像与其对应的感兴趣地点(POI,例如,在全国范围内的数据库。该问题在实际生产环境中尤其具有挑战性,在实际生产环境中,数据库中存在许多相似或不完整的条目,并且查询是嘈杂的(例如,光学字符识别中的错误)。在这项工作中,我们的目标是解决实际的挑战时,使用基于嵌入的检索的查询接地问题,在半结构化数据。利用深度语言编码用于检索的最新进展,我们进行了广泛的实验,以找到最有效的模块组合,用于嵌入和检索查询和数据库条目,而无需任何手动设计的组件。所提出的模型显着优于传统的手动模式为基础的模型,同时需要更少的开发和维护成本。我们还讨论了我们实验中的一些核心观察结果,这可能对其他领域中处理类似问题的从业者有所帮助。
2022-02-23 cs.CL cs.IR cs.LG
SIGMA: Structured Noise-Effect-Aware Grouped Multi-Agent Aggregation
School of Computer Science and technology, Tongji University(同济大学计算机科学与技术学院)
针对多智能体强化学习的结构化噪声效应,提出分层协作框架SIGMA,通过分组聚合与组间注意力提升含噪观测下的鲁棒性,且在无噪环境中保持竞争力。
2026-08-28 cs.AI cs.LG cs.MA
Structured Output Learning with Abstention: Application to Accurate Opinion Prediction
Telecom ParisTech(巴黎高等电信学院)
受监督意见分析的启发,我们提出了一个新的框架,致力于结构化输出学习与弃权(SOLA)。结构预测模型能够以用户灵活选择的代价放弃对结构化输出中某些标签的预测。为此,我们将问题分解为一对预测器的学习,一个用于结构化预测,另一个用于结构化输出预测。为了将完全标记的训练数据与可能包含弃权的预测进行比较,我们定义了一类广泛的非对称弃权感知损失。学习通过在适当的特征空间中的替代回归来实现,而预测通过解决新的前像问题来执行。因此,SOLA通过替代问题和校准理论扩展了最近关于结构化产出预测的想法,并对由此产生的超额风险提供了统计保证。实例化的层次防御意识的损失,SOLA是相关的细粒度的意见挖掘,并给出了国家的最先进的结果,这项任务。此外,基于评论级意见预测器,可以使用评论感知表示来竞争性地预测用户评论评级。
2018-06-08 cs.AI cs.LG stat.ML
Correlation-Aware Structured Pruning for Large Language Models
Tsinghua University(清华大学);Huawei Tech. Co. Ltd.(华为技术有限公司)
针对现有结构化剪枝忽略单元间关联的问题,提出关联感知剪枝方法,通过建模依赖的二次规划与贪婪算法优化选择,实现自适应层间稀疏分配,在主流LLMs上取得有竞争力的精度-效率权衡。
2026-09-22 cs.CL cs.LG
Schrödinger Bridge Matching for Tree-Structured Costs and Entropic Wasserstein Barycentres
Department of Statistics University of Oxford(统计系牛津大学)
本文将迭代马尔可夫拟合(IMF)过程扩展至树结构成本下的薛定谔桥问题,该算法在树基设定中优于传统IPF方法,并可作为特例推广基于流的熵最优传输求解器来高效计算Wasserstein重心。
2025-11-01 cs.LG stat.ML
GLOBE: Trajectory-Aligned Gradient Matching with Structured SparseOptimization for Coreset Selection
本研究提出名为GLOBE的轨迹对齐核心集选择框架,通过多阶分布匹配与结构化稀疏优化提升核心集质量,在低保留率下的下游测试准确率优于现有方法,助力设备端数据高效学习。
2026-08-05 cs.LG
Structured Matching via Cost-Regularized Unbalanced Optimal Transport
University of Pisa(比萨大学)
本文提出了一种成本正则化的不平衡最优传输框架,用于在异质空间中匹配测度,提升了单细胞组学数据的对齐效果。
2026-01-08 cs.LG stat.AP stat.ML
Bi-VLGM : Bi-Level Class-Severity-Aware Vision-Language Graph Matching for Text Guided Medical Image Segmentation
City University of Hong Kong(香港城市大学);Chinese University of Hong Kong(香港中文大学)
本文提出Bi-VLGM框架,通过词级和句级视觉-语言图匹配模块,分别利用类别和严重程度感知关系,解决文本引导医学图像分割中的模态内关系扭曲问题,显著提升分割性能。
2023-05-20 cs.CV cs.LG eess.IV
InverseForm: A Loss Function for Structured Boundary-Aware Segmentation
Qualcomm AI Research(高通人工智能研究院)
我们提出了一种新的边界感知损失项语义分割使用逆变换网络,有效地学习估计和目标边界之间的参数转换的程度。该插件损失项补充了捕获边界变换中的交叉熵损失,并允许在不增加其大小和计算复杂性的情况下对分割骨干模型进行一致且显著的性能改进。我们分析了我们的损失函数对三个室内和室外分割基准的定量和定性影响,包括Cityscapes,NYU-Depth-v2和PASCAL,将其集成到几个骨干网络的单任务和多任务设置的训练阶段。我们广泛的实验表明,所提出的方法始终优于基线,甚至在两个数据集上设置了新的最先进的方法。
2021-04-08 cs.CV cs.LG
Geometry-Aware Operator Families for Structured Representation Learning
本文提出几何诱导算子族(GIOF)框架,从固定几何生成传播算子并动态选择,在PEMS-BAY和METR-LA上实现最低MAE,较最强基线提升2.4%-8.8%。
2026-09-29 cs.LG
Is This News Still Interesting to You?: Lifetime-aware Interest Matching for News Recommendation
Hanyang University(翰林大学);Chung-Ang University(Chung-Ang 大学)
本文提出终身感知兴趣匹配框架LIME,通过用户-主题年龄表示、候选感知终身注意力和新鲜度引导兴趣精炼,解决新闻推荐中用户兴趣持续性与新闻生命周期建模问题,并在两个真实数据集上显著优于现有方法。
2025-08-18 cs.IR cs.LG
SEAL: Structure and Element Aware Learning to Improve Long Structured Document Retrieval
HKUST (Guangzhou)(香港科技大学(广州));HKUST(香港科技大学);Alibaba Group(阿里巴巴集团);Zhejiang Lab(浙江实验室)
针对长结构化文档检索中现有方法难利用结构语义、缺结构标注数据集的问题,提出结构与元素感知的对比学习框架SEAL,还发布了配套数据集,实验验证其能有效提升检索性能。
2025-08-31 cs.IR cs.LG
Confidence-Aware Sub-Structure Beam Search (CABS): Mitigating Hallucination in Structured Data Generation with Large Language Models
University of Southern California(南加州大学);Amazon(亚马逊)
针对LLM结构化数据生成中的幻觉问题,提出基于Confidence Network的子结构级置信度估计方法及CABS解码算法,通过迭代优化提示显著提升生成忠实度,在产品属性生成任务上Recall较传统方法提升16.7%。
2024-05-30 cs.CL cs.LG
Cluster-Aware Matching via Laplacian Optimal Transport
Department of Applied Mathematics, Tel Aviv University(特拉维夫大学应用数学系);Department of Statistics, Columbia University(哥伦比亚大学统计系);Department of Statistics, University of Chicago(芝加哥大学统计系)
针对点云具有聚类结构的匹配问题,提出基于拉普拉斯最优传输(LapOT)的聚类感知匹配方法,用二次拉普拉斯项正则化最优传输问题,引入RSC方法,经理论分析和实验证明该方法能实现点云间更一致且有意义的对齐。
2026-07-20 cs.LG cs.NA math.NA
CosmoFlow: Scale-Aware Representation Learning for Cosmology with Flow Matching
University of California, Santa Barbara(加州大学圣巴巴拉分校);The NSF AI Institute for Artificial Intelligence and Fundamental Interactions(NSF人工智能与基础相互作用研究院);Department of Physics, Massachusetts Institute of Technology(麻省理工学院物理系);Center for Astrophysics —Harvard & Smithsonian(哈佛-史密松天体物理中心)
本文提出 CosmoFlow,利用流匹配生成模型无监督学习冷暗物质模拟数据的紧凑潜在表示,实现32倍压缩,并支持场级重建、数据生成与参数推断,且表示具有尺度可解释性。
2025-07-16 astro-ph.CO cs.LG
NL-SME: Enhancing Multi-Step Gradient Inversion through Adaptive Two-State Matching
Key Laboratory of Ethnic Language Intelligent Analysis and Security Governance of MOE, Minzu University of China(民族语言智能分析与安全治理教育部重点实验室,中央民族大学)
针对联邦学习梯度反演攻击问题,提出NL-SME方法,通过构建可学习非线性替代轨迹近似隐藏局部状态,整合轨迹级信息与校准梯度匹配,提升多步梯度反演性能,揭示隐私泄漏风险。
2026-11-17 cs.CR cs.LG
SA-RAG: Structuring Noisy Conversations for Retrieval-Augmented Generation
UCLA(加州大学洛杉矶分校);NEC Labs(日本电装实验室)
提出结构感知检索增强生成(SA-RAG),通过表格作为中间结构化表示来减少噪声并保留关键信息,结合质量感知的表格元数据生成框架和优化方法,在噪声真实数据集上显著优于现有RAG基线。
2026-11-16 cs.CL cs.LG
PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching
Shanghai Jiao Tong University(上海交通大学);Xiamen University(厦门大学);University of York(约克大学)
图匹配可以形式化为组合优化问题,其中在可以表示为边的节点对之间存在对应关系。当由于具有高相似性的节点和边而存在潜在的歧义时,这个问题变得具有挑战性,并且需要找到用于相似内容匹配的准确结果。在本文中,我们介绍了一种新的端到端的神经网络,可以映射到一个高维空间的线性分配问题与节点级的相对位置信息,这是至关重要的,以提高该方法的性能相似的内容匹配。我们的模型构造的锚节点的相对位置,然后聚合的特征信息的目标节点和每个锚节点的相对位置的测量的基础上。然后结合拓扑结构和相对位置信息学习节点特征表示,从而实现两个图之间的线性分配。为了验证我们的方法的有效性和通用性,我们进行图匹配实验,包括跨类别匹配,在不同的现实世界的数据集。与不同基线的比较证明了我们的方法的优越性。我们的源代码可以在https://github.com/anonymous上找到。
2023-01-05 cs.CV cs.LG
IterGen: Iterative Semantic-aware Structured LLM Generation with Backtracking
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对LLM结构化生成库不支持回溯的问题,提出IterGen库,通过符号到位置映射和KV缓存维护实现前后移动的迭代式语法引导生成,有效减少隐私泄露并提升SQL和Vega-Lite查询准确性。
2025-03-02 cs.LG cs.PL cs.SE
FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts
Yale University(耶鲁大学)
FLUX通过几何感知的纵向流匹配框架,结合混合专家方法,解决无配对纵向数据中的轨迹建模与隐式状态发现问题。
2026-05-09 cs.LG q-bio.NC
Equivariant-Aware Structured Pruning for Efficient Edge Deployment: A Comprehensive Framework with Adaptive Fine-Tuning
Faculty of Computers and Information Technology, University of Tabuk(计算机与信息科技学院,塔布克大学);Artificial Intelligence and Sensing Technologies (AIST) Research Center, University of Tabuk(人工智能与传感技术(AIST)研究中心,塔布克大学)
本文提出一种结合等变卷积网络与结构化剪枝的框架,通过自适应微调和动态量化实现高效边缘部署,有效压缩模型并保持几何鲁棒性。
2025-11-21 cs.CV cs.LG
Geometry-Aware Unsupervised Domain Adaptation for Stereo Matching
SenseTime Japan Ltd.(商汤科技日本有限公司)
最近提出的基于DNN的立体匹配方法,直接从数据中学习先验知识,已知在新环境中准确度会急剧下降。虽然使用地面实况视差图的监督方法通常工作得很好,但在每个部署环境中收集它们是繁琐和昂贵的。为此,已经提出了许多基于图像到图像平移的无监督领域自适应方法,但是这些方法不保留立体图像对的几何结构,因为图像到图像平移被单独地应用于每个视图。为了解决这个问题,在本文中,我们提出了一个注意力机制,聚合功能的左,右视图,立体交叉注意力(SCA)。将SCA转化为图像-图像转换网络,可以在图像-图像转换过程中保持立体图像对的几何结构。我们实证证明了所提出的无监督领域自适应的图像到图像的翻译SCA的基础上的有效性。
2021-03-26 cs.CV cs.LG
PoWareMatch: a Quality-aware Deep Learning Approach to Improve Human Schema Matching
Technion – Israel Institute of Technology(以色列理工学院)
模式匹配是任何数据集成过程的核心任务。在数据库、人工智能、语义Web和数据采掘领域研究多年,主要挑战仍然是在数据概念之间生成质量匹配的能力(例如,数据库属性)。在这项工作中,我们研究了一个新的角度对人类的行为匹配,研究匹配创建的过程。我们分析了常见的评价指标(精度,召回率和f-测量)的动态,相对于这个角度,并强调需要无偏匹配,以支持这种分析。无偏匹配,一个新定义的概念,描述了共同的假设,人类的决定代表可靠的评估模式对应,但是,不是一个固有的属性的人类匹配。在下文中,我们设计了PoWareMatch,其利用深度学习机制来校准和过滤遵循匹配质量的人类匹配决策,然后将其与算法匹配相结合以生成更好的匹配结果。我们提供了一个经验证据,建立在一个实验的基础上,超过200人类匹配超过共同的基准,PoWareMatch预测以及扩展匹配的好处与额外的对应关系,并产生高质量的匹配。此外,PoWareMatch的性能优于最先进的匹配算法。
2021-09-15 cs.DB cs.HC cs.LG
Language-Structured Relational Q-Learning for Threat-Aware Control in Safety-Critical Driving
Edge Hill University(埃奇希尔大学)
该研究针对安全关键驾驶,提出语言结构化关系Q学习(ERQ-Net),经2500个场景测试,提升了威胁感知能力但存在识别-控制差距,为相关策略学习提供了新视角。
2026-08-13 cs.CV cs.ET cs.LG
Tomography of Quantum States from Structured Measurements via quantum-aware transformer
University of New South Wales(新南威尔士大学);The Australian National University(澳大利亚国立大学);University of Technology Sydney(悉尼科技大学);Nanjing University(南京大学);Princeton University(普林斯顿大学)
本文提出量子感知Transformer(QAT),利用量子测量结构,通过查询量子算子和Bures距离损失,实现高保真且抗噪的量子态重构。
2025-03-28 cs.LG cs.SY eess.SY