Компьютерные науки > Машинное обучение [представлено 2 августа 2026 года] Название: M3-Former: Modifical Transformer - Mixture of Experients for Long-Trans-Treasure PDF THML (экспериментальное) Резюме: Для решения проблем, связанных с поведенческой мультимодальностью, ограниченным использованием семантики и долгосрочным накоплением ошибок при прогнозировании траектории движения судов в данном документе предлагается модель М3-Формера, система мультимодального прогнозирования траектики, усиленная крупными языковыми моделями (LLM). Предлагаемая основа включает статические характеристики судна и навигационное намерение в качестве семантичных предпочтений для долгосрочного моделирования траектории. В частности, создается единое пространство мультимодального представительства, в котором статическая семантическая информация кодируется заранее подготовленным LLM и увязывается с динамическими элементами траектории посредством самовнимания. Для совместного учета глобального планирования маршрутов и изменений в движении на местном уровне внедряется архитектура двухграндарной смеси экспертов (МОС), в рамках которой эксперты по порядку моделируют глобальные навигационные тенденции, а специалисты по символическому уровню улучшают тонкий график маневрирования. Кроме того, потери в результате сквозных операций с использованием системы рулевого управления предназначены для облегчения распределения на большие расстояния редких поворачивающихся проб и повышения точности прогнозов при…
M3-Former: мультимодальный трансформатор с смесью экспертов для долгосрочного прогнозирования судовых траекторий
arXiv:2609.10559v1 Annualce Type: New Briew: Для решения проблем, связанных с поведенческой мультимодальностью, ограниченным использованием семантики и долгосрочным накоплением ошибок при прогнозировании траектории движения судна в настоящем документе предлагается модель M3-Former - мультимодальная система прогнозирования трассы (MLM). Предлагаемая основа включает статические характеристики судна и навигационное намерение в качестве семантичных предпочтений для долгосрочного моделирования траектории. В частности, создается единое пространство мультимодального представительства, в котором статическая семантическая информация кодируется заранее подготовленным LLM и увязывается с динамическими элементами траектории посредством самовнимания. Для совместного учета глобального планирования маршрутов и изменений в движении на местном уровне внедряется архитектура двухграндарной смеси экспертов (МОС), в рамках которой эксперты по порядку моделируют глобальные навигационные тенденции, а специалисты по символическому уровню улучшают тонкий график маневрирования. Кроме того, проектируется потеря в результате сквозной энтропии с помощью рулевого управления t