Drift-Aware Multimodal User Representation Learning via Multi-Scale Temporal Modeling and Sparse Mixture-of-Experts
Das Paper stellt DUMoE vor, ein vereinheitlichtes Framework, das ein auf zeitliche Dynamiken ausgerichtetes Backbone und einen Sparse Mixture-of-Experts-Adapter mit einer dreistufigen Trainingsstrategie nutzt, um vielschalige zeitliche Muster effektiv zu modellieren und diverse, driftende Nutzerinteressen für eine verbesserte Repräsentationslernung in sozialen Medien zu entwirren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.