One-step Multi-view Clustering with Diverse Representation 
多视图聚类由于其能力利用一致和互补信息之间的能力而引起了广泛的关注。尽管最近取得了巨大进展，但大多数现有的方法都经历了很高的复杂性，从而阻止了它们被应用于大规模任务。通过矩阵分解的多视图聚类是解决此问题的代表 ...
0 0 0 2025/04/26 arXiv:2306.05437v2 FOUR_A
On Efficiently Partitioning a Topic in Apache Kafka 
Apache Kafka解决了通过出版订阅消息传递系统向不同消费者传递极端高批量事件数据的一般问题。它使用分区来扩展许多经纪人的主题，供生产者并行编写数据，并促进消费者的平行阅读。即使Apache Kafka提供了一些优化，但它并不能严格定义每个主题如何有效地分配到分区中 ...
0 0 0 2025/04/26 arXiv:2205.09415v1 rotile
Discrete Sequential Prediction of Continuous Actions for Deep RL 
长期以来，人们一直认为，由于大量的垃圾箱必须学习政策，因此无法通过离散行动空间的个体维度来有效解决高维连续控制问题。在本文中，我们从序列到序列模型最近成功的结构化预测问题的成功中汲取灵感，以制定离散空间的政策。这种方法的核心是意识到，高维空间上的复杂函数可以通过一次预测一个维度的神经网络建模 ...
0 0 0 2025/04/26 arXiv:1705.05035v3 打笨蛋
Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation 
本文探讨了基于张量低级别建模的多视图光谱聚类（MVSC）的问题。与现有的方法不同，所有方法都采用了现成的张量低级别标准，而无需考虑MVSC中张量的特殊特性，我们设计了一种针对MVSC量身定制的新型结构化张量低级别标准。具体而言，我们明确对张量的额叶和水平切片施加了对称的低级别约束和结构化稀疏的低级约束，以分别表征视图和视图之间的关系 ...
0 0 0 2025/04/26 arXiv:2004.14705v2 FOUR_A
Enhancing Knowledge Tracing via Adversarial Training 
（kt）问题，其目标是随着时间的推移追踪学生的知识掌握情况，以便预测他们未来的表现。由于深度神经网络（ dnn）良好的表示能力，kt的最新进展越来越集中于探索dnn来提高kt的性能。然而，我们的经验表明，我们的经验表明 ...
0 0 0 2025/04/26 arXiv:2108.04430v1 smallz
OPV2V: An Open Benchmark Dataset and Fusion Pipeline for Perception with Vehicle-to-Vehicle Communication 
最近，采用车辆到车辆的通信来增强自动驾驶技术的感知表现，最近引起了人们的关注。但是，缺乏用于基准测试算法的合适的开放数据集，因此很难开发和评估合作感知技术。为此，我们介绍了第一个用于车辆对车辆感知的大规模开放模拟数据集。它包含70多个有趣的场景，11,464帧和232,913个注释的3D车辆边界盒，这些车辆从卡拉的8个城镇和洛杉矶卡尔弗市的数字小镇收集 ...
0 0 0 2025/04/26 arXiv:2109.07644v5 bendick
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection 
基于激光雷达的对象探测器是自动导航系统（例如自动驾驶汽车）中3D感知管道的关键部分。但是，由于信噪比降低（SNR）和信噪比（SBR），它们对不利天气条件（例如雨，雪和雾）敏感。结果，在正常天气中捕获的数据训练的基于激光雷达的对象探测器在这种情况下往往表现较差 ...
0 0 0 2025/04/26 arXiv:2107.07004v1 bendick
Feature Denoising for Improving Adversarial Robustness 
对分类系统的对抗性攻击给卷积网络带来了挑战，以及理解它们的机会。这项研究表明，对图像的对抗扰动会导致这些网络构建的特征中的噪声。在这一观察方面的动机上，我们开发了新的网络体系结构，通过执行特征降级来增加对抗性鲁棒性 ...
0 0 0 2025/04/26 arXiv:1812.03411v2 SGN001

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）