车站受扰后重排进路:3RO先固定再按需松绑,180秒内多数算例严格优于完整MILP
列车运行受扰后,车站需要在有限时间内重新安排进路、站台和时刻。3RO框架先用按进路分别训练的预测模型固定预计仍稳定的进路,再在不可行时释放少量固定、在可行后按列车交互关系释放更多固定以找回替代进路。在真实车站的226个扰动算例上,180秒预算内它在56.7%的全部算例和77.4%的困难算例上得到严格优于无约束MILP的当前最好解。
列车运行受扰后,车站需要在有限时间内重新安排进路、站台和时刻。3RO框架先用按进路分别训练的预测模型固定预计仍稳定的进路,再在不可行时释放少量固定、在可行后按列车交互关系释放更多固定以找回替代进路。在真实车站的226个扰动算例上,180秒预算内它在56.7%的全部算例和77.4%的困难算例上得到严格优于无约束MILP的当前最好解。
自回归语言模型通常按固定的从左到右顺序做下一词预测,Max(MI(S;t))改为在训练前按目标词与输入及已选目标的互信息排序,把信息量大的目标提前。在GPT式模型上,它在算术任务的平均准确率为94.96%,高于下一词预测的74.84%和逆序的86.29%,接近穷举24种顺序得到的97.33%上界;在WikiText-2上把平均困惑度从13.58降到10.77。方法只改训练目标的组织方式,模型结构与自回归解码不变。
该工作提出 Fact-Flow 框架,将视觉事实识别与报告生成解耦:先用 LLM 自动从训练报告中抽取并合并临床发现标签体系(结核 7 个标签、眼科 42 个标签),再训练多标签分类器预测发现,最后把预测标签序列化为提示引导 MLLM 生成报告;在结核胸片数据集上 MedGemma + Fact-Flow 取得 RadFact F1 0.3055(对比 MedGemma 单独 0.2266),在眼科数据集上 Qwen2.5-VL + Fact-Flow 在多数 NLG 指标上最优。
已读完全部报道