AITOP

零样本

共 9 条相关 AI 资讯
7月10日
16:01
7月2日
14:00
12:30
12:30官方账号arXiv cs.LG@Patrick Podest, Marco Pichler, Elias Bürger, Levente Zólyomi, Bernhard Voggenberger, Wilhelm Berghammer, Daniel Klotz, Sebastian Böck, Günter Klambauer, Sepp Hochreiter
TiRex-2是基于xLSTM的循环时间序列基础模型，将单变量TiRex扩展到多变量预测，支持未来已知协变量。它采用双向时间混合器和非对称分组注意力变体混合器，保持严格因果性。在GIFT-Eval和fev-bench上取得零样本SOTA性能。相比Transformer，流式处理时每块计算成本恒定，无需全历史重算。模型单变量模式有38.4M活跃参数，多变量模式额外激活44.1M参数。
AI模型TiRex-2xLSTM时间序列基础模型流式预测零样本
推荐理由：TiRex-2是首个同时支持多变量流式预测和已知未来协变量的时间序列基础模型，零样本刷新GIFT-Eval和fev-bench榜单，每步计算量不变。做在线时序预测的朋友可以看看。
原文
6月28日
12:39
6月17日
10:46
10:46官方账号arXiv cs.AI@Qi Chai, Wenhao Shen, Nanjie Yao, Yue Xia, Kaiyong Zhao, Jie Ma, Guosheng Lin, Hao Wang
EvolveNav 提出了一种自演化框架，用于零样本物体目标导航，无需预先训练。该方法通过构建代理规则记忆，从过往轨迹中提取可操作知识，并采用基于上置信界（UCB）的检索策略平衡语义相关性和历史成功率。还引入了记忆引导的前置反思模块，在行动前预测潜在结果，减少低效探索。实验表明，EvolveNav 在多个基准上超越现有零样本基线，成功率提升 10.1%，同时减少了不必要的步骤。
论文EvolveNav零样本物体导航记忆机制具身智能
推荐理由：这篇论文搞了个EvolveNav，让机器人自己从失败中学习，零样本导航成功率直接涨了10%，而且没走那么多冤枉路。
原文
6月16日
11:45
11:45官方账号arXiv cs.AI@Aniq Ahmad, Heather Bedle, Ahmad Mustafa
本文提出一个零样本框架，将Segment Anything Model (SAM)用于地震解释，无需微调。框架包括两个组件：1) 根据地质目标对齐地震属性与可视化（如色图）；2) 混合提示策略，结合稀疏用户定义点提示与SAM内部特征激活生成的稠密掩码提示。在多个地质目标、数据集和提示配置下评估，发现地质目标感知的属性选择与混合提示可提升边界描绘和分割精度。结果表明，零样本SAM能达到有竞争力的分割性能，减少对标注数据的依赖。
论文SAM地震解释零样本提示工程分割
推荐理由：这篇论文教你如何在不微调的情况下用SAM做地震图分割，用混合提示和属性选择就能提升效果，挺实用的。
原文
6月8日
10:40
10:40官方账号arXiv cs.LG@Lorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati
精选
光伏电站在投运初期缺乏历史观测数据，导致标准监督预测方法无法直接使用。研究者提出一种零样本流程，利用电站元数据和气象协变量生成合成生产历史，使时间序列基础模型（TSFMs）能够通过推理时条件进行预测。在440个光伏站点、四个数据集和多种气候条件下，五种TSFMs与经典基线对比，协变量感知模型性能提升约1.7-2倍，其中TabPFN-TS在真实反馈策略下误差最低（MAE 0.514），Chronos-2在自预测反馈策略下最鲁棒。合成历史来源对性能影响不大，表明合理的时序上下文比具体生成器更重要。
论文时间序列基础模型光伏预测冷启动零样本TabPFN-TS
推荐理由：光伏运维团队终于有了冷启动预测的实用方案——无需历史数据即可用基础模型实现高精度预测，做新能源发电预测的开发者可以直接参考TabPFN-TS和Chronos-2的表现。
原文
6月7日
08:47
5月11日
11:42