标签
论文提出 Mediator——一种离散、本体无关的 EHR 分词器，可将任意临床概念映射到共享的向量量化码本，使封闭词汇模型可迁移至 eICU，零样本任务的 AUPRC 相对提升 29%。
本文提出了 Ruspan，一种基于评分标准条件的简答题自动评分（ASAS）框架，将题目、答案和评分标准等级序列化后，通过单次 LLM 前向传播完成评分；此外还提出了一种与评分标准无关的掩码变体（Rubric-Independent Mask），可在评分标准结构发生变化的多语言 ASAS 基准上提升零样本迁移性能。
本文提出了 MACTS-EM，一个用于时间序列预测的多智能体协同框架，采用专门化的智能体、元认知层、涌现记忆以及多模态融合机制，在金融、气候、能源和疫情数据集上实现了 8-12% 的准确率提升，并显著改善了零样本迁移能力和对机制突变的鲁棒性。
FetchMan是一个完全在模拟环境中训练的基于视觉的人形策略，能够零样本迁移到多样化的现实世界场景和对象，用于移动操作任务。
本文提出了一种可迁移的学习时间先验方法，用于疫情传播重建。在真实安第斯病毒基准测试中展示了改进的性能，并强调了量化传播标签中不确定性的重要性。
本文提出了一种强化学习方法，使大型语言模型能够通过利用上下文中的语言知识来翻译未见过的语言，其表现优于上下文学习和监督微调。
ReactiveGWM是一种反应式游戏世界模型，通过扩散模型和交叉注意力模块将玩家控制与NPC行为解耦，实现动态的玩家-NPC互动，并能在不同游戏间实现零样本策略迁移。
本文介绍了 Diamond Attention，这是一种用于多智能体强化学习的方法，通过引入结构化随机性来打破对称性，从而实现同质智能体之间的角色区分，在 XOR 游戏等对称任务中实现了完美的协调。
CPCANet 是一种域泛化框架，利用通用主成分分析（CPCA）来发现结构化的域不变子空间，在零样本迁移任务中达到了最先进的性能。