Descripción del prompt
Este proyecto aborda los desafíos de los grandes conteos de Tokens visuales, la información redundante y la dificultad de equilibrar la eficiencia y los requisitos de la tarea en las estrategias de compresión dentro del contexto de la comprensión multimodal de documentos largos. Considerando la sobrecarga computacional que enfrentan los modelos multimodales en escenarios de contexto largo, investigamos sistemáticamente los métodos de compresión de Tokens visuales y las estrategias de compresión adaptativa. Específicamente, exploramos mecanismos efectivos de compresión y filtrado para Tokens visuales desde las perspectivas de la relevancia general del documento y de la tarea. Además, introducimos métodos de aprendizaje por refuerzo para explorar estrategias de selección adaptativa para las tasas de compresión en diferentes escenarios de documentos y preguntas. Basándonos en esto, construimos un sistema de aplicación para tareas de preguntas y respuestas de documentos largos multimodales para integrar y validar los métodos propuestos. El contenido principal de la investigación se muestra en la Figura 1. ¿Podrías generar una figura para mí? ¿Qué tipo de figura sería adecuada y cómo debería presentarse?
![Genera un diagrama de flujo académico claro que represente un experimento de juego competitivo de múltiples rondas que involucra agentes impulsados por LLM. El diagrama debe ilustrar el siguiente flujo de trabajo: Inicialización: Se crea una población de agentes, cada uno con habilidades intrínsecas heterogéneas muestreadas de una distribución normal. Cada agente está dotado de un capital disponible fijo, denotado como E, para cada ronda. Los agentes se asignan a una de tres condiciones experimentales: 1) Condición sin red: Los agentes operan de forma aislada sin acceso a información social. 2) Red de mundo pequeño: Los agentes interactúan dentro de una estructura de red de mundo pequeño. 3) Red híbrida: Los agentes interactúan dentro de una red que combina características de mundo pequeño con una distribución de grado libre de escala (es decir, una red libre de escala aumentada con triángulos adicionales). Bucle de juego repetido (T rondas): Para cada ronda t: Cada agente i decide un nivel de inversión oᵢ,ₜ ∈ [0, E]. El capital no invertido (E − oᵢ,ₜ) se conserva como riqueza privada. Un mecanismo de competencia global asigna puntuaciones de rendimiento basadas en una regla de estilo Boltzmann, que incorpora la inversión relativa, la capacidad intrínseca y el ruido estocástico. Información...](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2Fvw1Gnd9NCyziYwTyT6q2uXK6J2zyJMnT%2F7aa136b9-e4fe-4993-8c83-f2a8e187769a%2F3d05bab2-a68e-48b9-9e18-b9eaa7b0b577.png&w=3840&q=75)
![Por favor, dibuje un diagrama de flujo vertical y escalonado de un algoritmo de selección de características, al estilo de una ilustración de un artículo académico (colores claros, líneas claras). El proceso se divide en tres etapas, separadas por líneas horizontales:
Etapa 1 (Selección Rápida):
1. Entrada: Características originales X, variable objetivo Y
2. Calcular la información mutua I(X_j; Y) (método de los k vecinos más cercanos)
3. Ordenar en orden descendente de información mutua → F_ordenado
4. Estrategia de selección (ramas paralelas):
- Estrategia de umbral: I ≥ τ
- Estrategia de cantidad: Tomar las k = β×d características principales
5. Salida: S1, X1
Etapa 2 (mRMR + Manta de Markov):
1. Partiendo de S1, seleccionar la característica con la máxima información mutua para añadir a S
2. Iteración mRMR:
- Calcular la puntuación mRMR marginal de las características candidatas
- Seleccionar la puntuación más alta y añadirla a S
3. Selección de la manta de Markov:
- Para cada característica X_i en S:
- Encontrar X_j que satisfaga I(X_i; X_j) > τ_mb e I(X_j; Y) ≥ I(X_i; Y)
- Si se encuentra, eliminar X_i
4. Salida: S2
Etapa 3 (Optimización PCBWOFS):
1. Codificación: Binario b=[b_1,...,b_m]
2. Inicialización (estrategia mixta)
3. Evaluación de la aptitud: Aptitud = Precisión - α·|b|/m
4. Reproducción y cruce:
- Selección → Cruce OR-gate → Cruce consciente del contexto
5. Estrategia de canibalismo: Eliminar la descendencia de baja aptitud
6. Mutación: Inversión de bits + intercambio de características
7. Actualizar iterativamente la población, reteniendo a las élites
8. Salida: Subconjunto óptimo de características
Requisitos de los elementos del diagrama de flujo:
- Utilizar cajas rectangulares para representar los pasos, y cajas de diamante para representar juicios/ramas
- Las flechas indican la dirección del flujo
- Utilizar títulos "Etapa 1/2/3" para etiquetar las tres etapas
- El diseño general debe ser conciso y adecuado para su inserción en un artículo.](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2Fhpsp97YaFBIUPx0EbaYDvGh7CgMgwN6k%2F78922486-2288-41ff-b4fd-2ad57a745aa8%2F13bd335c-4284-418b-83a3-f002ed2565b3.png&w=3840&q=75)
