高校专区
超越目标等价性：基于LLM的车辆路径问题优化建模的约束注入
机构 * Beihang University（北京航空航天大学） ； Baidu Inc.（百度公司）
AI总结 针对LLM在约束密集的运筹问题中可能添加虚假约束或遗漏必要约束的问题，提出约束注入方法，结合差分测试形成双重验证器，并在车辆路径问题上验证其有效性。
Comments 28 pages
PersonaTree: 面向LLM智能体人物理解的结构化生命周期记忆
机构 * School of ASEE, Beihang University, Beijing, China（北京航空航天大学航空科学与工程学院） ； The University of Hong Kong, Hong Kong, China（香港大学） ； Peking University, Beijing, China（北京大学） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； School of BME, Beihang University, Beijing, China（北京航空航天大学生物医学工程学院） ； CAIR and CECS, VinUniversity, Hanoi, Vietnam（越南河内 Vin 大学 CAIR 和 CECS）
AI总结 提出PersonaTree，一种结构化生命周期记忆框架，通过三级人物树和显式支持路径，将交互证据抽象为人物理解，在多个基准上取得领先性能。
基于物理信息的视频生成：通过混合专家潜在对齐
机构 * CASIA（中国科学院自动化研究所） ； UCAS（中国科学技术大学） ； ZGCA（浙江大学） ； USTC（中国科学技术大学） ； BUAA（北京航空航天大学） ； ZJU（浙江大学） ； EIT（欧洲工业技术学院）
AI总结 提出PILA框架，通过混合专家潜在对齐将物理结构化潜在引导注入预训练视频模型的冻结流匹配动力学，以提升生成视频的物理合理性。
重新思考持续经验内化以实现自我进化的大语言模型智能体
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院 Gallagher 学院） ； School of Software, Beihang University（北航软件学院） ； Meituan（美团）
AI总结 本文通过经验粒度、注入模式和内化机制三个维度，提出一种稳定可持续的经验内化方法，解决多轮经验学习中的能力崩溃问题。
Comments 10 pages, 8 figures
在短视频平台上对原生动态屏幕GUI代理的基准测试
机构 * Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； Beihang University（北航）
AI总结 针对短视频平台等动态屏幕环境，提出LivingScreen基准测试，通过三级任务套件和联合评估准确性与信息效率的指标，发现现有GUI代理存在观察过度或不足的问题。
Comments preprint
光学引导的SAR少样本类增量学习中的神经坍缩
机构 * Beihang University, Beijing 100191, China（北航，北京100191，中国） ； Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China（航天信息研究所，中国科学院，北京100190，中国）
AI总结 针对SAR图像少样本类增量学习中的数据稀缺和方位角敏感问题，提出利用光学ATR数据集的正交子空间作为几何先验，通过投影损失和分类器损失联合诱导神经坍缩，实现特征紧凑性和类间可分离性。
Comments 16 pages, 6 figures
REGAIN：基于调和增益的辅助方向学习
机构 * School of Mathematical Sciences, Beihang University, Beijing, China（北京航空航天大学数学科学学院） ； School of Economics and Management, Beihang University, Beijing, China（北京航空航天大学经济管理学院）
AI总结 提出REGAIN框架，通过学习归一化辅助方向并利用冻结预测预言机，基于目标加权损失减少选择方向，以改进预测调和。
策略分裂：通过双模式熵正则化激励大语言模型强化学习中的双模式探索
机构 * Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； Beihang University（北航）
AI总结 提出Policy Split方法，将策略分裂为正常和高熵两种模式，通过协作双模式熵正则化在保持准确性的同时促进多样化探索，实验表明在通用和创造性任务上优于现有基线。
Comments preprint
学习引导：基于深度元学习和模型预测路径积分控制的引导法
机构 * School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院） ； Navigation and Control Technology Research Institute of China North Industries Group Corporation（中国北方工业集团有限公司导航与控制技术研究院）
AI总结 本文提出了一种基于模型驱动深度强化学习的新型引导方案，通过将深度神经网络作为引导动力学的预测模型融入模型预测路径积分（MPPI）控制框架中，利用元学习技术使深度神经动力学模型能够在线适应环境变化，从而缓解标准MPPI控制因实际环境与训练数据差异导致的性能下降，并构建了在存在作动器故障时拦截机动目标的新型引导律。
Comments Code available at https://github.com/tccliangchen/deep_meta-learning_guidance_law . in IEEE Access 2019
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈