gmt: целевой мультимодальный трансформер для 3d-траекторий

GMT: Целенаправленный мультимодальный трансформер для синтеза траекторий объектов в 3D-сценах

GMT – это мультимодальный трансформер, предназначенный для генерации реалистичных и ориентированных на цель траекторий движения объектов в 3D-средах. Модель использует геометрию ограничивающих 3D-параллелепипедов, контекст облака точек, семантические категории объектов и целевые конечные позы. Траектории представлены как непрерывные последовательности 6-DOF поз, а стратегия адаптации объединяет геометрическую, семантическую, контекстную и целевую информацию. Эксперименты на синтетических и реальных эталонных данных показали, что GMT превосходит существующие подходы, такие как CHOIS и GIMO, демонстрируя значительный прирост в пространственной точности и контроле ориентации. Проектная страница доступна по ссылке: https://huajian-zeng.github.io/projects/gmt/. View on Hugging Face Read PDF

AdaRadar: Адаптивная спектральная компрессия для радиолокационного восприятия

AdaRadar – это метод компрессии радиолокационных данных с адаптивной обратной связью, который динамически регулирует коэффициент компрессии посредством градиентного спуска от прокси-градиента уверенности в обнаружении по отношению к скорости компрессии. Используется приближение градиента нулевого порядка для вычисления градиента даже при недифференцируемых операциях, таких как отсечение и квантование. Применяется дискретное косинусное преобразование к данным радиолокатора и выборочное отсечение коэффициентов. Сочетание этих техник позволяет достичь более чем 100-кратного уменьшения размера признаков с минимальной потерей производительности (~1%). Результаты были проверены на наборах данных RADIal, CARRADA и Radatron. View on Hugging Face Read PDF

TDAD: Разработка на основе тестирования и агентного подхода для снижения регрессий в коде, сгенерированном ИИ

TDAD (Test-Driven Agentic Development) – это инструмент и методология для уменьшения регрессий в коде, созданном ИИ-агентами. Инструмент использует построение графов кода-теста на основе абстрактного синтаксического дерева (AST) и взвешенный анализ влияния для определения тестов, на которые, скорее всего, повлияет предложенное изменение. При использовании с моделями Qwen3-Coder 30B и Qwen3.5-35B-A3B, TDAD снизил регрессии на уровне тестов на 70% (с 6.08% до 1.82%) и повысил коэффициент разрешения с 24% до 32%. Эксперименты показали, что промпты TDD сами по себе увеличивают регрессии, а меньшие модели выигрывают от контекстной информации. Автоматический цикл самосовершенствования повысил коэффициент разрешения с 12% до 60% без регрессий. Код, данные и журналы доступны по ссылке: https://github.com/pepealonso95/TDAD. View on Hugging Face Read PDF

Robust-ComBat: Смягчение влияния выбросов при гармонизации данных диффузионной МРТ

Robust-ComBat – это метод для смягчения влияния выбросов при гармонизации данных диффузионной МРТ (dMRI). Метод показывает, что гармонизация данных с использованием ComBat, при включении патологических случаев, вызывает искажения. Эксперименты с 7 неврологическими состояниями и 10 методами отбраковки показали, что многие стратегии фильтрации неэффективны при наличии патологии. Простая многослойная перцептивная сеть (MLP) обеспечивает надежную компенсацию выбросов, позволяя надежно гармонизировать данные, сохраняя при этом сигналы, связанные с заболеванием. Robust-ComBat превосходит обычные статистические baseline, демонстрируя меньшую ошибку гармонизации. View on Hugging Face Read PDF

Важны только относительные ранги весов в кластеризованных больших языковых моделях

В больших языковых моделях (LLM) важны не точные значения весов, а их относительный ранг. Применение кластеризации весов, заменяющей каждую матрицу весов K общими значениями из K-means, позволяет сохранить высокую точность без переобучения. Для Llama 3.1-8B-Instruct и SmolLM2-135M уменьшение каждой матрицы до 16-64 отдельных значений сохраняет точность. Дообучение только центроидов кластеров восстанавливает 30-40% потерянной точности. Рандомизация рангов кластеров значительно снижает качество, в то время как рандомизация с сохранением ранга практически не влияет. View on Hugging Face Read PDF