Recommender System as Slow and Fast Thinkers
为解决推荐系统在不同用户环境下的效果差异，提出DS-Frame框架，结合快速预测和慢速优化，并通过学习选择器来平衡效率与准确性。
0 citationsRead paper
Selected work
Representative Papers
Risk-Aware Reranking for Agentic Tool Retrieval
研究通过提出一种考虑安全性和实用性的重排序框架，解决工具检索中风险控制问题，以减少高风险工具的暴露。
0 citationsRead paper
Aligning Human Sense: Calibrated Distributional Reward Learning for Video Generation
为解决视频生成中的人类偏好对齐问题，提出了一种通过校准偏好数据和使用Wasserstein距离对齐奖励分布的方法，以提高生成视频的质量与一致性。
0 citationsRead paper
Recent publications
Latest Papers
Recommender System as Slow and Fast Thinkers
为解决推荐系统在不同用户环境下的效果差异，提出DS-Frame框架，结合快速预测和慢速优化，并通过学习选择器来平衡效率与准确性。
0 citationsRead paper
Risk-Aware Reranking for Agentic Tool Retrieval
研究通过提出一种考虑安全性和实用性的重排序框架，解决工具检索中风险控制问题，以减少高风险工具的暴露。
0 citationsRead paper
Aligning Human Sense: Calibrated Distributional Reward Learning for Video Generation
为解决视频生成中的人类偏好对齐问题，提出了一种通过校准偏好数据和使用Wasserstein距离对齐奖励分布的方法，以提高生成视频的质量与一致性。
0 citationsRead paper