机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本文提出了一种新方法IN-RIL，旨在解决模仿学习与强化学习结合中的不稳定性和样本效率低下的问题。通过定期注入模仿学习更新，IN-RIL提高了探索效率，实验结果表明其在多任务中显著提升了样本效率，并减少了性能崩溃现象。

该研究针对近年来全色增强领域中深度学习方法面临的高分辨率图像获取困难的问题，提出了一种双阶段随机交替框架（TRA-PAN）。该框架通过将低分辨率图像的强监督约束与全分辨率图像的物理特性有效结合，使得只需使用一对图像即可实现零样本训练，从而在真实场景中显著优于现有方法，为全色增强技术的实际应用提供了新的可能性。

本研究提出了一种新的结构化剪枝框架SPAP，旨在优化大型语言模型的计算和内存需求。SPAP通过混合整数优化和交替最小化算法，解决了性能下降和微调成本高的问题，实验证明其在推理速度和内存效率上优于现有方法。

本研究提出了多种参数高效微调（PEFT）方法，以优化联邦学习中的大型语言模型。通过SLoRA和FedLoRA等技术，显著提升了模型性能，减少了训练时间和通信成本，同时保护数据隐私。实验结果表明，这些方法在准确性和效率上优于传统方法。

本文研究了无记忆源模型的速率失真感知权衡。通过离散的源和重构序列的分布之间的离散来衡量感知度量。对于离散无记忆源和连续值源的情况，导出了相应的单字母特性。最后，将结果特化到高斯源的情况。

该研究提出了两种零阶算法，用于解决确定性和随机设置下的非凸凹最小最大问题。这些算法具有较低的迭代复杂度，并能够在确定性和随机设置下找到稳定点。这是第一个能够解决这类问题的零阶算法。

该研究介绍了 DLG-MoE 方法，它经过优化以适应双语和混合语言场景，通过具有共享权重的语言路由器和独立无监督路由器的动态语言群组块，提高了专家扩展能力并支持动态 top-k 训练，无需预训练，支持流式识别，在与其他方法相比具有无与伦比的灵活性下取得了最先进的结果。

本文研究了构建考虑人口统计公平性的分类系统的问题，提出了两种效用-公平权衡的方法，并对超过1000个预训练模型进行了评估。结果显示当前方法在公平-效用权衡上有改进空间。

梯度下降上升（GDA）算法用于解决极小极大优化问题，采用同时（Sim-GDA）或交替（Alt-GDA）的下降和上升步骤。我们对 Alt-GDA 和 Sim-GDA 进行了细致的收敛性分析，发现 Alt-GDA 的迭代复杂度上界严格小于 Sim-GDA 的下界，即 Alt-GDA 可证明更快速。此外，我们提出了交替外推 GDA（Alex-GDA），这是一个通用的算法框架，包含了...

本研究提出了两种新的基于优化驱动的蒙特卡罗算法，通过变量分割和数据增强来获得更快、更高效的采样方案，并生成可用于近似贝叶斯估计的样本。此外，该方法提供了低成本的置信区间。

我们提出了一种通过将神经声学模型与大型语言模型（LLM）融合的方法，连续预测口语对话中的交替和回应位置。在 Switchboard 人人对话数据集上的实验证明，我们的方法始终优于单模态的基线模型。我们还开发了一种新颖的多任务指令微调策略，以进一步从 LLM 编码的知识中获益，以理解任务和对话语境，从而带来额外的改进。我们的方法展示了结合 LLM 和声学模型在人类和语音启用的 AI...