Descrizione del prompt
Questo progetto affronta le sfide legate all'elevato numero di Token visivi, alle informazioni ridondanti e alla difficoltà di bilanciare efficienza e requisiti delle attività nelle strategie di compressione, nel contesto della comprensione multimodale di documenti lunghi. Considerando il sovraccarico computazionale affrontato dai modelli multimodali in scenari di contesto lungo, indaghiamo sistematicamente i metodi di compressione dei Token visivi e le strategie di compressione adattiva. In particolare, esploriamo meccanismi efficaci di compressione e filtraggio per i Token visivi, dal punto di vista della rilevanza complessiva del documento e del compito. Inoltre, introduciamo metodi di apprendimento per rinforzo per esplorare strategie di selezione adattiva per i tassi di compressione in diversi scenari di documenti e domande. Sulla base di ciò, costruiamo un sistema applicativo per compiti di question answering su documenti lunghi multimodali per integrare e convalidare i metodi proposti. Il principale contenuto della ricerca è mostrato in Figura 1. Potresti generare una figura per me? Che tipo di figura sarebbe adatta e come dovrebbe essere presentata?
![Genera un diagramma di flusso accademico e chiaro che rappresenti un esperimento di gioco competitivo a più round che coinvolge agenti guidati da LLM. Il diagramma dovrebbe illustrare il seguente flusso di lavoro: Inizializzazione: Viene creata una popolazione di agenti, ognuno dei quali possiede abilità intrinseche eterogenee campionate da una distribuzione normale. Ogni agente è dotato di un capitale disponibile fisso, indicato come E, per ogni round. Gli agenti sono assegnati a una delle tre condizioni sperimentali: 1) Condizione senza rete: gli agenti operano in isolamento senza accesso a informazioni sociali. 2) Rete a piccolo mondo: gli agenti interagiscono all'interno di una struttura di rete a piccolo mondo. 3) Rete ibrida: gli agenti interagiscono all'interno di una rete che combina caratteristiche di piccolo mondo con una distribuzione del grado a invarianza di scala (cioè, una rete a invarianza di scala aumentata con triangoli aggiuntivi). Ciclo di gioco ripetuto (T round): Per ogni round t: Ogni agente i decide un livello di investimento oᵢ,ₜ ∈ [0, E]. Il capitale non investito (E − oᵢ,ₜ) viene trattenuto come ricchezza privata. Un meccanismo di competizione globale assegna punteggi di performance basati su una regola in stile Boltzmann, che incorpora investimento relativo, abilità intrinseca e rumore stocastico. Informazioni...](/_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)
![Si prega di disegnare un diagramma di flusso verticale a stadi di un algoritmo di selezione delle caratteristiche, nello stile di un'illustrazione di un articolo accademico (colori chiari, linee chiare). Il processo è diviso in tre stadi, separati da linee orizzontali:
Stadio 1 (Screening Rapido):
1. Input: Caratteristiche originali X, variabile target Y
2. Calcola l'informazione reciproca I(X_j; Y) (metodo k-nearest neighbor)
3. Ordina in ordine decrescente di informazione reciproca → F_ordinato
4. Strategia di selezione (rami paralleli):
- Strategia di soglia: I ≥ τ
- Strategia di quantità: Prendi le prime k = β×d caratteristiche
5. Output: S1, X1
Stadio 2 (mRMR + Markov Blanket):
1. Partendo da S1, seleziona la caratteristica con la massima informazione reciproca da aggiungere a S
2. Iterazione mRMR:
- Calcola il punteggio mRMR marginale delle caratteristiche candidate
- Seleziona il punteggio più alto e aggiungilo a S
3. Screening Markov blanket:
- Per ogni caratteristica X_i in S:
- Trova X_j che soddisfi I(X_i; X_j) > τ_mb e I(X_j; Y) ≥ I(X_i; Y)
- Se trovato, rimuovi X_i
4. Output: S2
Stadio 3 (Ottimizzazione PCBWOFS):
1. Codifica: Binario b=[b_1,...,b_m]
2. Inizializzazione (strategia mista)
3. Valutazione della fitness: Fitness = Acc - α·|b|/m
4. Riproduzione e crossover:
- Selezione → Crossover OR-gate → Crossover context-aware
5. Strategia di cannibalismo: Elimina la prole con bassa fitness
6. Mutazione: Bit flip + scambio di caratteristiche
7. Aggiorna iterativamente la popolazione, mantenendo le élite
8. Output: Sottoinsieme ottimale di caratteristiche
Requisiti degli elementi del diagramma di flusso:
- Utilizzare caselle rettangolari per rappresentare i passaggi e caselle a forma di diamante per rappresentare giudizi/rami
- Le frecce indicano la direzione del flusso
- Utilizzare i titoli "Stadio 1/2/3" per etichettare i tre stadi
- Il layout generale deve essere conciso e adatto per l'inserimento in un articolo.](/_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)
