提示詞描述
此專案旨在解決多模態長文檔理解中，大型視覺Token計數、冗餘資訊以及壓縮策略在效率與任務需求之間難以平衡等挑戰。 考量到多模態模型在長上下文場景中面臨的計算負擔，我們系統性地研究了視覺Token壓縮方法和自適應壓縮策略。 具體而言，我們從整體文檔和任務相關性的角度，探索了有效的視覺Token壓縮和過濾機制。 此外，我們引入了強化學習方法，以探索不同文檔和問題場景下壓縮率的自適應選擇策略。 基於此，我們構建了一個多模態長文檔問答任務的應用系統，以整合和驗證所提出的方法。 主要研究內容如圖1所示。 您能為我生成一張圖嗎？ 什麼樣的圖表適合，又該如何呈現？
![生成一個清晰的學術流程圖，描述一個涉及 LLM 驅動代理的多輪競爭遊戲實驗。該圖表應說明以下工作流程：初始化：創建一個代理群體，每個代理都具有從常態分佈中抽樣的異質內在能力。每個代理都被賦予固定的可支配資本，表示為 E，用於每一輪。代理被分配到以下三個實驗條件之一：1) 無網絡條件：代理在沒有社交資訊的情況下獨立運作。2) 小世界網絡：代理在小世界網絡結構中互動。3) 混合網絡：代理在一個結合了小世界特徵和無尺度度分佈的網絡中互動（即，一個用額外三角形增強的無尺度網絡）。重複遊戲迴圈（T 輪）：對於每一輪 t：每個代理 i 決定一個投資水平 oᵢ,ₜ ∈ [0, E]。未投資的資本 (E − oᵢ,ₜ) 被保留為私人財富。一個全球競爭機制根據玻爾茲曼風格的規則分配績效分數，該規則結合了相對投資、內在能力和隨機噪音。資訊...](/_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)
![請繪製一個垂直、分階段的特徵選擇演算法流程圖，風格仿照學術論文插圖（淺色系、清晰線條）。該流程分為三個階段，以水平線分隔：
階段 1（快速篩選）：
1. 輸入：原始特徵 X，目標變數 Y
2. 計算互信息 I(X_j; Y)（k 近鄰方法）
3. 依互信息降序排列 → F_sorted
4. 選擇策略（平行分支）：
- 閾值策略：I ≥ τ
- 數量策略：取前 k = β×d 個特徵
5. 輸出：S1, X1
階段 2（mRMR + 馬可夫毯）：
1. 從 S1 開始，選擇具有最大互信息的特徵加入 S
2. mRMR 迭代：
- 計算候選特徵的邊際 mRMR 分數
- 選擇最高分並加入 S
3. 馬可夫毯篩選：
- 對於 S 中的每個特徵 X_i：
- 尋找滿足 I(X_i; X_j) > τ_mb 且 I(X_j; Y) ≥ I(X_i; Y) 的 X_j
- 如果找到，則移除 X_i
4. 輸出：S2
階段 3（PCBWOFS 優化）：
1. 編碼：二進制 b=[b_1,...,b_m]
2. 初始化（混合策略）
3. 適應度評估：適應度 = Acc - α·|b|/m
4. 繁殖與交叉：
- 選擇 → OR 閘交叉 → 上下文感知交叉
5. 同類相食策略：淘汰低適應度後代
6. 突變：位元翻轉 + 特徵交換
7. 迭代更新族群，保留精英
8. 輸出：最佳特徵子集
流程圖元素要求：
- 使用矩形框表示步驟，使用菱形框表示判斷/分支
- 箭頭指示流程方向
- 使用「階段 1/2/3」標題標記三個階段
- 整體佈局應簡潔，適合插入論文。](/_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)
