Описание промпта
Этот проект посвящен решению проблем, связанных с большим количеством визуальных токенов, избыточной информацией и сложностью балансировки эффективности и требований задач в стратегиях сжатия в контексте понимания многомодальных длинных документов. Учитывая вычислительные затраты, с которыми сталкиваются многомодальные модели в сценариях с длинным контекстом, мы систематически исследуем методы сжатия визуальных токенов и адаптивные стратегии сжатия. В частности, мы изучаем эффективные механизмы сжатия и фильтрации визуальных токенов с точки зрения общей релевантности документа и задачи. Кроме того, мы представляем методы обучения с подкреплением для изучения адаптивных стратегий выбора коэффициентов сжатия в различных сценариях документов и вопросов. На основе этого мы создаем прикладную систему для задач многомодального вопросно-ответного поиска по длинным документам для интеграции и проверки предложенных методов. Основное содержание исследования показано на рисунке 1. Можете ли вы сгенерировать рисунок для меня? Какой тип рисунка был бы подходящим и как его следует представить?
![Создайте четкую, академическую блок-схему, изображающую многораундовый соревновательный игровой эксперимент с участием агентов, управляемых LLM. Диаграмма должна иллюстрировать следующий рабочий процесс: Инициализация: Создается популяция агентов, каждый из которых обладает гетерогенными внутренними способностями, взятыми из нормального распределения. Каждый агент наделяется фиксированным располагаемым капиталом, обозначенным как E, на каждый раунд. Агенты назначаются в одно из трех экспериментальных условий: 1) Условие без сети: Агенты действуют изолированно, без доступа к социальной информации. 2) Сеть малого мира: Агенты взаимодействуют в структуре сети малого мира. 3) Гибридная сеть: Агенты взаимодействуют в сети, сочетающей характеристики малого мира с распределением степеней, свободным от масштаба (т.е. сеть, свободная от масштаба, дополненная дополнительными треугольниками). Повторяющийся игровой цикл (T раундов): Для каждого раунда t: Каждый агент i принимает решение об уровне инвестиций oᵢ,ₜ ∈ [0, E]. Неинвестированный капитал (E − oᵢ,ₜ) сохраняется в качестве частного богатства. Глобальный механизм конкуренции распределяет оценки производительности на основе правила в стиле Больцмана, включающего относительные инвестиции, внутренние способности и стохастический шум. Информация...](/_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)
![Пожалуйста, нарисуйте вертикальную, многоступенчатую блок-схему алгоритма отбора признаков в стиле иллюстрации для научной статьи (светлые цвета, четкие линии). Процесс разделен на три этапа, разделенных горизонтальными линиями:
Этап 1 (Быстрый скрининг):
1. Вход: Исходные признаки X, целевая переменная Y
2. Вычислить взаимную информацию I(X_j; Y) (метод k ближайших соседей)
3. Сортировать в порядке убывания взаимной информации → F_sorted
4. Стратегия отбора (параллельные ветви):
- Пороговая стратегия: I ≥ τ
- Количественная стратегия: Взять топ k = β×d признаков
5. Выход: S1, X1
Этап 2 (mRMR + Марковское одеяло):
1. Начиная с S1, выбрать признак с максимальной взаимной информацией для добавления в S
2. mRMR итерация:
- Вычислить маргинальный mRMR скор для признаков-кандидатов
- Выбрать наивысший скор и добавить его в S
3. Скрининг с использованием марковского одеяла:
- Для каждого признака X_i в S:
- Найти X_j, который удовлетворяет I(X_i; X_j) > τ_mb и I(X_j; Y) ≥ I(X_i; Y)
- Если найден, удалить X_i
4. Выход: S2
Этап 3 (PCBWOFS оптимизация):
1. Кодирование: Бинарный b=[b_1,...,b_m]
2. Инициализация (смешанная стратегия)
3. Оценка пригодности: Fitness = Acc - α·|b|/m
4. Репродукция и кроссовер:
- Отбор → OR-gate кроссовер → Контекстно-зависимый кроссовер
5. Стратегия каннибализма: Устранить потомство с низкой пригодностью
6. Мутация: Инверсия бита + перестановка признаков
7. Итеративно обновлять популяцию, сохраняя элиты
8. Выход: Оптимальное подмножество признаков
Требования к элементам блок-схемы:
- Использовать прямоугольные блоки для представления шагов и ромбовидные блоки для представления суждений/ветвей
- Стрелки указывают направление потока
- Использовать заголовки "Этап 1/2/3" для обозначения трех этапов
- Общий макет должен быть лаконичным и подходящим для вставки в статью.](/_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)
