论文页面 - 面向自监督跨表示学习的一致性驱动协同演化

摘要

随着图表图像、表格数据和可视化代码在众多领域中扮演越来越重要的角色，跨表示理解（cross-representation understanding）给 AI 系统带来了根本性挑战：表示之间的关系本质上是“一对多”的，监督信号模糊且成本高昂，模型优化也缺乏一个既有方向适应性又具有表示泛化能力、且不局限于任务特定目标的原则性信号。我们提出了 CoCoEvolve，用于改善图表、表格和代码表示之间的一致性。我们没有将跨表示映射视为一对多问题，而是定义显式的一对一对应关系，并利用表示之间的一致性来优化模型，且无需额外标注。在训练阶段，CoCoEvolve@Train 在“图表—表格—代码”循环中执行协同演化；CoCoEvolve@Test 则在推理时应用相同的一致性目标，实现测试时协同优化。我们还提出了 CoCoEvolve@Eval，它是一个覆盖全部六种跨表示任务的评估套件。在四个基准测试中，CoCoEvolve 在训练时和测试时设置下均提升了性能。我们的项目页面：https://xhguo7.github.io/CoCoEvolve/。

查看 arXiv 页面
查看 PDF
添加到收藏

在您的 agent 中获取此论文：

hf papers read 2608\.04926

尚未安装最新版 CLI？ curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型（0）

暂无模型引用此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.04926，即可从本页面链接到该模型。

引用此论文的数据集（0）

暂无数据集引用此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.04926，即可从本页面链接到该数据集。

引用此论文的 Spaces（0）

暂无 Space 引用此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2608.04926，即可从本页面链接到该 Space。

包含此论文的收藏集（0）

暂无包含此论文的收藏集

将此论文添加到收藏集，即可从本页面链接到该收藏集。