ICLR 2024 Oral：长视频中噪声关联学习，单卡训练仅需1天
在2024世界经济论坛的一次会谈中，图灵奖得主YannLeCun提出用来处理视频的模型应该学会在抽象的表征空间中进行预测，而不是具体的像素空间[1]。借助文本信息的多模态视频表征学习可抽取利于视频理解或内容生成的特征，正是促进该过程的关键技术。然而，当下视频与文本描述间广泛存在的噪声关联现象严重阻碍了视频表征学习。因此本文中，研究者基于最优传输理论，提出鲁棒的长视频学习方案以应对该挑战。该论文被机器学习顶会ICLR2024接收为了Oral。论文题目：Multi-granularityCorresponde
论文题目：Multi-granularity Correspondence Learning from Long-term Noisy Videos 论文地址：https://openreview.net/pdf?id=9Cu8MRmhq2 项目地址：https://lin-yijie.github.io/projects/Norton 代码地址：https://github.com/XLearning-SCU/2024-ICLR-Norton
粗粒度 NC（Clip-Caption 间）。粗粒度 NC 包括异步（Asynchronous）和不相关（Irrelevant）两类，区别在于该视频片段或标题能否与现有标题或视频片段相对应。其中「异步」指视频片段与标题间存在时序上的错位，例如图 2 中 t1。由于讲述者在实际执行动作的前后进行解释，导致陈述与行动的顺序不匹配。「不相关」则指无法与视频片段对齐的无意义标题（例如 t2 和 t6），或是无关的视频片段。根据牛津 Visual Geometry Group 的相关研究 [5]，HowTo100M 数据集中只有约 30% 的视频片段与标题在视觉上是可对齐的，而仅有 15% 是原本就对齐的； 细粒度 NC（Frame-Word 间）。针对一个视频片段，可能一句文本描述中只有部分文字与其相关。在图 2 中，标题 t5 中「糖撒在上面」与视觉内容 v5 强相关，但动作「观察釉面脱落」则与视觉内容并不相关。无关的单词或视频帧可能会阻碍关键信息提取，从而影响片段与标题间的对齐。
面向细粒度 NC。研究者采用 log-sum-exp 近似作为 Soft-maximum 算子去识别帧 - 词和词 - 帧对齐中的关键词和关键帧，以细粒度的交互方式实现重要信息抽取，累计得到片段 - 标题相似性。 面向粗粒度异步 NC。研究者采用最优传输距离作为视频片段和标题之间的距离度量。给定视频片段 - 文本标题间相似性矩阵 
，其中
表示片段与标题个数，最优传输目标为最大化整体对齐相似性，可天然处理时序异步或一对多（如 t3 与 v4,v5 对应）的复杂对齐情况。
为均匀分布给予每个片段、标题同等权重，
为传输指派或重对齐矩，可通过 Sinkhorn 算法求解。面向粗粒度不相关 NC。受特征匹配中 SuperGlue [6] 启发，我们设计了自适应的可对齐提示桶去尝试过滤不相关的片段与标题。提示桶是一行一列的相同值向量，拼接于相似性矩阵 
上，其数值代表是否可对齐的相似度阈值。提示桶可无缝融入最优传输 Sinkhorn 求解中。
表示第
个长视频与第
个文本段落间的相似性矩阵。
代表训练批次中的所有视频片段和标题个数，单位矩阵
代表对比学习交叉熵损失中的标准对齐目标，
代表融入最优传输矫正目标
后的重对齐目标，
为权重系数。
前瞻研判：未来十年，县域特色化经济的竞争，不再是资源的竞争，而是市场信任的竞争。谁能为消费者提供最确定的价值承诺，谁就能赢得市场。 2026年全国两会刚刚落幕，“十五五”规划进入开局之年。今年的政府工作报告中，“扎实推进乡村全面振兴”被摆在突出位置，明确提出要“壮大县域富民产业，做好土特产文章”。这
2026 ISLE展前瞻：南昌光电产业集群即将重磅亮相 明年三月，深圳国际会展中心将迎来一场行业盛事。2026年3月5日至7日，ISLE国际智慧显示及系统集成展将在这里拉开帷幕。而这一次，聚光灯将格外聚焦于一个区域——南昌光电产业集群。他们将以“光耀南昌，智链全球”为主题，携一支实力雄厚的“集团军”
天龙三号海上试车成功：看中国商业航天如何将“安全”铸为核心竞争力 9月15日，山东海阳东方航天港，巨大的轰鸣声撕裂长空，炽热的白色蒸汽升腾而起。北京天兵科技自主研制的天龙三号大型液体运载火箭，在这里的海上平台成功完成了一级动力系统试车。 这次试车可不简单——它是世界首次海上动力系统试车试验。结果让人
3月18日，通用技术集团机床产业生态合作伙伴大会在北京国家会议中心举行 春日的北京，一场关乎中国工业未来的盛会拉开帷幕。通用技术集团机床产业生态合作伙伴大会在国家会议中心举行，近500位产业链上下游的企业代表与行业专家齐聚一堂。会上，通用技术集团总工程师、机床公司董事长周舟发布了集团机床产业的未来发
华为鸿蒙电脑技术与生态沟通会隆重举行，首款鸿蒙电脑惊艳登场，这一标志性事件预示着华为在电脑领域迈出了具有深远影响的关键一步，为国产电脑产业带来了全新的革新与发展契机。鸿蒙电脑的推出并非一朝一夕之功，而是华为经过五年精心策划的结果。在此期间，华为汇聚了超过10000名顶尖工程师，与20多家专业研究所紧密合作，投入大量的精力与资源进行技术研发，最终积累了超过2700项核心专利，彰显了其强大的技术实力与创新能力。新推出的HarmonyOS5采用鸿蒙内核，从操作系统底层开始重构，旨在为用户提供全面升级的办公体验
AIxiv专栏是本站发布学术、技术内容的栏目。过去数年，本站AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com赵伟翔是哈尔滨工业大学社会计算与信息检索研究中心2021级直博生，导师为赵妍妍教授和秦兵教授。主要研究方向为对话系统、大语言模型对齐等。他曾以第一作者在ACL、AAAI、IJCAI、CO
用来运行Llama3405B优势明显。最近，Meta开源了最新的405B模型（Llama3.1405B），把开源模型的性能拉到了新高度。由于模型参数量很大，很多开发者都关心一个问题：怎么提高模型的推理速度？时隔才两天，LMSYSOrg团队就出手了，推出了全新的SGLangRuntimev0.2。这是一个用于LLM和VLM的通用服务引擎。在运行Llama3.1405B时，它的吞吐量和延迟表现都优于vLLM和TensorRT-LLM。在某些情况下（运行Llama系列模型），它的吞吐量甚至能达到TensorRT
机器之能报道编辑：杨文AI被人类带坏！这个世界，太癫了……最近，社交媒体上冒出来一堆搞怪视频，打着AI的旗号，真人cosAI，甚至抖音还专门出了个热门话题——人类模仿AI大赛。（视频来自抖音博主「关妮乱石」）视频链接：https://mp.weixin.qq.com/s/1DVc8skecSsO0a9QcklZlw套路都一个样儿：左边一张旧照片，右边打着「AI修复」的字幕，实际由真人演绎着脑干缺失的狗血「剧情」。-1-AI：第一次被人冒充，没想到比我还抽
获胜的AI数学奥林匹克模型出炉！几天前，随着榜单的公布，大家对全球首届AI数学奥林匹克竞赛（AIMO）进步奖的讨论量居高不下。这次比赛共有5个团队胜出，获得第一名的是Numina的团队，CMU_MATH位列第二，afterexams暂居第三，codeinter、Conor#2团队分别拿到第四、第五的成绩。图源：https://www.kaggle.com/c/ai-mathematical-olympiad-prize/leaderboard这一成绩，曾让陶哲轩感到惊讶。当时官方只公布了获奖名单，并未透漏
2024年WAIC・云帆奖面向全球征选AI青年技术人才，欢迎点击「此链接」报名或提名。人工智能的研究范式和产业格局正在经历深刻而积极的转变。过去一年，大模型引发了一股席卷全球的智能浪潮，这不仅推动了AI技术在更广泛领域的应用，也激发了人类对人工智能深层次潜力的追寻和探索。在这场技术革新的洪流中，通用人工智能（AGI）正逐渐从幻想走进现实。我们正处于一个新征程的起点，这个阶段将以人类对通用智能的不懈追求为特征。迎接即将到来的新时代，让我们将目光投向那些充满激情、勇于探索的青年创新者。他们凭借卓越的智慧和无畏
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
