跳到主要内容
检索

Vrije Universiteit Amsterdam

3 篇关联报道

订阅更新
  1. arXiv

    机器人多模态对齐补上结构一致性:UniOMA用GW重心把视觉、力与触觉的样本关系拉齐

    机器人感知的多模态对比学习通常只把同一实例的配对样本拉近,却不约束各模态内部样本之间的相对关系,因此嵌入在统计上对齐、几何上仍可能不一致。UniOMA在InfoNCE类对比损失之外加入基于Gromov–Wasserstein距离的正则项,为每个模态构造模态内相似度核,并学习一个跨模态的GW重心作为结构共识,让各模态向这一共识对齐。在五个机器人基准上,加入该正则项在多数配对比较中提升了回归、分类与跨模态检索表现,并提高了嵌入结构与输入核参照的秩相关。

  2. 发表出处待核验

    跨七个精神病学研究领域综述显示:大数据带来机制洞见与跨学科协作,但样本量本身并不保证更精确的估计,临床转化仍存差距

    这篇综述横跨社区与登记调查、队列与生物样本库、电子健康记录、数字表型、脑影像、基因组学及其他组学、随机对照试验七个领域,梳理大数据在精神病学中的进展、约束与未来方向,指出大数据推动了跨学科研究并揭示了精神障碍机制的复杂性、异质性与变异性,但样本量大并不保证估计更精确,从大数据到临床应用的转化仍存在差距,未来需在数据质量与方法严谨性、概念模型与临床问题上同等用力。

  3. arXiv

    PADBen:面向改写攻击的AI文本检测器综合基准

    该工作通过双表征空间分析提出“中间洗白区”机制,构建包含五类文本分类体系与五项递进检测任务的PADBen基准,并评测11个检测器,发现检测结果存在关键不对称性:改写攻击并非普遍奏效,抄袭规避(改写LLM生成文本)仍可被检测(RADAR句对AUC 0.909),而作者身份混淆(改写人类文本)使检测性能跌至接近随机(AUC 0.526–0.748)。

已读完全部报道