Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network 
随着在线招聘数据的不断增长，工作清点匹配已成为自动与合适简历匹配的工作的重要任务。该任务通常被施放为有监督的文本匹配问题。当标记的数据足够时，监督学习是有力的 ...
0 0 0 2025/04/24 arXiv:2009.13299v1 1036090086
CP-DETR: Concept Prompt Guide DETR Toward Stronger Universal Object Detection 
通用对象检测的最新研究旨在在SOTA封闭设置检测器中引入语言，然后通过构造大规模（文本区域）数据集来概括开放式概念。但是，这些方法面临两个主要挑战：（i）如何在提示中有效使用先前的信息来使对象通用对象，以及（ii）如何减少下游任务中的对齐偏置，这两者在某些情况下都导致了在预训练之外的情况下进行次优性能。为了应对这些挑战，我们提出了一个称为CP-Detr的强大通用检测基础模型，该模型在几乎所有情况下 ...
0 0 0 2025/04/24 arXiv:2412.09799v1 DJuncle
DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency 
给定单个标记的示例，封闭式分割旨在分割相应的对象。这种设置在几次学习中被称为单发段，探索了分割模型的概括能力，并已应用于各种视觉任务，包括场景理解和图像/视频编辑。尽管最近的任何模型已经实现了最新的任何模型会导致交互式分割，但这些方法并非直接适用于在文章中的细分 ...
0 0 0 2025/04/24 arXiv:2504.12080v2 Jht
A Comprehensive Survey in LLM(-Agent) Full Stack Safety: Data, Training and Deployment 
大型语言模型（LLMS）的显着成功阐明了为学术和工业社区实现人工智能的有希望的途径，因为它们在各种应用程序中的前所未有的表现。随着LLM在研究和商业领域的突出地位，其安全性和安全性的影响已成为一个日益严重的关注点，不仅对于研究人员和公司而言，而且对每个国家也是如此。当前，现有对LLM安全性的调查主要集中在LLM生命周期的特定阶段，e ...
0 0 1 2025/04/24 arXiv:2504.15585v1 KingXHJ
TripoSG: High-Fidelity 3D Shape Synthesis using Large-Scale Rectified Flow Models 
扩散技术的最新进步将图像和视频生成推向了前所未有的质量水平，从而大大加速了生成AI的部署和应用。但是，到目前为止，3D形状生成技术落后于3D数据量表的局限性，3D数据处理的复杂性以及3D域中先进技术的探索不足。在输出质量，概括能力和与输入条件的一致性方面，当前的3D形成生成方法面临着重大挑战 ...
0 0 0 2025/04/24 arXiv:2502.06608v3 wonglliam
SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation with Fine-Grained Geometry 
3D室内场景被广泛用于计算机图形，其应用程序从室内设计到游戏到虚拟和增强现实不等。它们还包含丰富的信息，包括房间布局以及家具类型，几何和放置。高质量的3D室内场景高度要求，而它需要专业知识，并且需要手动设计高质量的3D室内场景 ...
0 0 0 2025/04/24 arXiv:2302.10237v1 wonglliam
Evaluation of computational and energy performance in matrix multiplication algorithms on CPU and GPU using MKL, cuBLAS and SYCL 
矩阵乘法是用于训练深神经网络模型的返回传播算法的基础。像英特尔或NVIDIA的Cublas这样的图书馆实施了新的和优化的矩阵乘法技术，以提高性能并降低计算成本。这些技术也可以在CUDA和SYC​​L中实现，并使用AVX2和AVX512指令进行功能，这些说明具有较低的性能，但精度更好 ...
0 0 0 2025/04/24 arXiv:2405.17322v1 zasolla
70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float 
大型语言模型（LLMS）的规模迅速增长，为在资源受限的硬件上有效部署带来了重大挑战。在本文中，我们引入了动态长度浮点（DFLOAT11），这是一个无损压缩框架，可将LLM大小降低30％，同时保留与原始模型相同的输出。 DFLOAT11是由LLMS的BFLOAT16重量表示中的低熵激励的，这揭示了现有的存储格式的效率显着效率 ...
0 0 0 2025/04/24 arXiv:2504.11651v1 ldm

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）