Harbin Institute of Technology（哈尔滨工业大学）

Fusion Matters: Length-Aware Analysis of Positional-Encoding Fusion in Transformers

融合至关重要：Transformer中位置编码融合的长度感知分析

Mohamed Amine Hallam, Kuo-Kun Tseng

机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本文研究了Transformer中位置编码融合机制对长序列性能的影响，发现融合策略的选择对长文档有显著提升，且提出了轻量级卷积门控机制以增强模型效果。

Comments 10 pages, 5 figures. Code and reproduction materials available on GitHub

Co-Training Vision Language Models for Remote Sensing Multi-task Learning

联合训练遥感多任务学习的视觉语言模型

Qingyun Li, Shuran Ma, Junwei Luo, Yi Yu, Yue Zhou, Fengxiang Wang, Xudong Lu, Xiaoxing Wang, Xin He, Yushi Chen, Xue Yang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Xidian University（西安电子科技大学） ； East China Normal University（东华大学） ； Wuhan University（武汉大学） ； Southeast University（东南大学） ； National University of Defense Technology（国防科技大学） ； Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 RSCoVLM通过联合训练视觉语言模型，提升遥感多任务学习的性能和灵活性。

Comments 14 pages, 6 figures

Adaptive Disentangled Representation Learning for Incomplete Multi-View Multi-Label Classification

自适应解耦表征学习用于不完整多视图多标签分类

Quanjiang Li, Zhiming Liu, Tianxiang Xu, Tingjin Luo, Chenping Hou

机构 * College of Science, National University of Defense Technology（国防科技大学科学学院） ； College of Artificial Intelligence, Harbin Institute of Technology（哈尔滨工业大学人工智能学院） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） 纠错

AI总结 ADRL通过自适应解耦表征学习方法解决多视图多标签分类中的特征缺失和标注不完整问题，提升模型性能。

Learning from Mistakes: Negative Reasoning Samples Enhance Out-of-Domain Generalization

从错误中学习：负推理样本增强领域外泛化

Xueyun Tian, Minghua Ma, Bingbing Xu, Nuoyan Lyu, Wei Li, Heng Dong, Zheng Chu, Yuanzhuo Wang, Huawei Shen

机构 * CAS Key Laboratory of AI Safety, Institute of Computing Technology, CAS, Beijing, China（中国科学院人工智能安全重点实验室，计算技术研究所，中国科学院，北京，中国） ； Harbin Institute of Technology, Harbin, China（哈尔滨工业大学，哈尔滨，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； Tsinghua University, Beijing, China（清华大学，北京，中国） 纠错

AI总结 通过引入负例推理样本，GLOW方法有效提升了大语言模型在领域外任务中的泛化能力，通过调节损失下降和提升策略熵来减少过拟合并促进探索。

Comments Code and data are available at https://github.com/Eureka-Maggie/GLOW