Memory-Augmented Recurrent Networks for Dialogue Coherence
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Honors project, 12 pages
AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Honors project, 12 pages
专题命中 长上下文与记忆 :language model(abstract);分类 cs.AI、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.AI
Comments published in PRICAI 2018
Journal ref In: Geng X., Kang BH. (eds) PRICAI 2018: Trends in Artificial Intelligence
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Published in NAACL-HLT 2019
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments To appear in the proceedings of the Analyzing and Interpreting Neural Networks for NLP workshop at EMNLP 2018
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Accepted at ACML 2017
Journal ref Proceedings of the Ninth Asian Conference on Machine Learning, PMLR 77:530-544, 2017
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Published in Workshop on Learning to Generate Natural Language, ICML, 2017
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Accepted at IJCNN 2016 URL : http://ieeexplore.ieee.org/document/7727233/
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments NIPS 2016
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.AI
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments 4 pages, 1figure
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments changing style, adding references, minor changes to text
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
Comments Accepted as a full paper at ACL 2015
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL、cs.LG
机构 * Flybits Labs, Creative Ai Hub(Flybits实验室,创意人工智能中心) ; Toronto Metropolitan University(多伦多 Metropolitan 大学) ; Massachusetts Institute of Technology(麻省理工学院) ; Stanford University(斯坦福大学)
专题命中 长上下文与记忆 :language model(abstract);分类 cs.AI;LLM(comments)
Comments Accepted to LLAIS 2025: Workshop on LLM-Based Agents for Intelligent Systems, at ECAI 2025, 12 pages, 3 figures
学习如何遗忘:面向长上下文稀疏注意力的微调
机构 * Amazon Web Services(亚马逊网络服务) ; University of Amsterdam(阿姆斯特丹大学) ; Amazon(亚马逊) ; Technical University Berlin(柏林工业大学)
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL
AI总结 本文提出一种适配任意KV缓存策略的稀疏注意力模型微调方法,仅需中等硬件预算,性能优于精确注意力训练模型,还提供H2O稀疏注意力高效实现及开源库KeysAndValues支持。
Comments 39 pages, no figures
StreamSoccer:用于流式足球解说的事件驱动记忆
机构 * Migu Video Technology Co., Ltd.(咪咕视讯科技有限公司) ; South China University of Technology(华南理工大学) ; East China Normal University(华东师范大学)
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL
AI总结 本研究提出StreamSoccer,一种用于流式足球解说的事件驱动系统,通过建模事件生命周期实现多时间范围解说,在数据集评估中取得优异性能且计算开销可控。
每幅画都讲述一个危险的故事:基于内存增强的多智能体 jailbreak 攻击 VLMs
机构 * Wuhan University(武汉大学) ; Zhongguancun Academy(中关村学院) ; Tianjin University(天津大学) ; University of the Chinese Academy of Sciences(中国科学院大学)
专题命中 长上下文与记忆 :language model(abstract);分类 cs.AI
AI总结 本文提出MemJack框架,通过视觉语义引导多智能体协作,利用迭代空域投影过滤器提升对VLMs的攻击成功率,实验表明其在COCO数据集上达到71.48%的攻击成功率。
Comments This work was accepted by WISE2026. 15 pages, 2 figures
Transformer与状态空间架构间集体动力学的红外普适性
机构 * Electronics and Telecommunications Research Institute(电子通信研究院)
专题命中 长上下文与记忆 :language model(abstract);分类 cs.LG
AI总结 本研究发现Transformer与Mamba架构虽微观机制不同,却存在相近的近边际慢模动力学,其集体红外组织具有普适性,为认知场理论提供了独立验证。
Comments 31 pages, 12 figures
Q-干涉:内存高效的相位感知量子启发注意力机制
机构 * Kennesaw State University(肯尼索州立大学) ; Miami University(迈阿密大学) ; Georgia State University(佐治亚州立大学)
专题命中 长上下文与记忆 :language model(abstract);分类 cs.CL
AI总结 本研究提出Q-Interference,一种内存高效的相位感知量子启发注意力机制,通过精确三角分解避免大型中间张量,适配GPT架构,在基准实验中训练稳定且内存优势显著。
Comments Preprint
上下文之前的授权:一种针对智能体系统中跨受众记忆泄露的模型无关受众边界
专题命中 长上下文与记忆 :language agent(abstract);分类 cs.AI
AI总结 本研究针对智能体系统的跨受众记忆泄露问题,提出模型无关的受众边界方法,通过反单调授权规则确保未授权事实不进入上下文,在合成数据集上验证了其有效性。
Comments 13 pages, 3 figures. Author preprint. Accepted for presentation at AdvML-Frontiers x CoTMA, a non-archival workshop at COLM 2026