From Prior to Pro: Efficient Skill Mastery via Distribution Contractive RL Finetuning
从先验到专家：通过分布收缩强化学习微调实现高效技能掌握
机构 * Stanford University（斯坦福大学）
AI总结 提出DICE-RL框架，将强化学习作为分布收缩算子，通过在线反馈放大高成功行为，将预训练行为先验微调为高性能专家策略，实现稳定、样本高效的复杂操作技能掌握。
高校专区
Stanford University（斯坦福大学）
Graded strength of comparative illusions is explained by Bayesian inference
比较错觉的梯度强度由贝叶斯推断解释
机构 * Stanford University（斯坦福大学）
AI总结 本研究通过贝叶斯噪声信道模型，结合统计语言模型与人类行为数据，定量预测比较错觉的强度梯度，并解释代词与完整名词短语主语差异的新效应。
Comments 52 pages, 7 figures
Sheet Music Benchmark: Standardized Optical Music Recognition Evaluation
Sheet Music Benchmark: 标准化光学乐谱识别评估
机构 * Pattern Recognition and Artificial Intelligence Group, University of Alicante, Spain（西班牙阿利坎特大学模式识别与人工智能组） ； Self-employed（自雇人士） ； Center for Computer Research in Music and Acoustics, Stanford University, USA（美国斯坦福大学音乐与声学计算机研究中心） ； Instituto Superior de Enseñanzas Artísticas de la Comunidad Valenciana, Spain（西班牙瓦伦西亚自治区高等艺术教育研究所）
AI总结 提出Sheet Music Benchmark (SMB)数据集和OMR标准化编辑距离(OMR-NED)指标，用于标准化光学乐谱识别(OMR)评估，涵盖多种音乐纹理和细粒度错误分析。
Comments Accepted at the 26th International Society for Music Information Retrieval Conference (ISMIR)
