Auto-weighted Multi-view Clustering for Large-scale Data 
由于其在多个数据视图中利用互补信息的能力，多视图集群引起了广泛的关注。尽管现有方法表现出令人愉悦的聚类性能，但其中大多数是高时期的复杂性，无法处理大规模数据。基于矩阵分解的模型是解决此问题的代表 ...
0 0 0 2025/04/03 arXiv:2303.01983v1 FOUR_A
Leveraging the Feature Distribution in Transfer-based Few-Shot Learning 
由于使用了很少的标记样品引起的不确定性，因此很少有射击分类是一个具有挑战性的问题。在过去的几年中，已经提出了许多方法来解决少量分类，其中基于转移的方法已证明可以实现最佳性能。遵循这种静脉，在本文中，我们提出了一种基于转移的新方法，该方法基于两个连续的步骤：1）预处理特征向量，以使它们更接近类似高斯的分布，以及2）使用最佳传播的算法利用此预处理（在传播设置的情况下） ...
0 0 0 2025/04/03 arXiv:2006.03806v3 likelc
End-to-End Driving with Online Trajectory Evaluation via BEV World Model 
端到端的自主驾驶通过将感知，预测和计划整合到一个完全可区分的框架中，取得了显着的进步。但是，为了充分发挥其潜力，有效的在线轨迹评估是必不可少的，以确保安全。通过预测给定轨迹的未来结果，轨迹评估变得更加有效 ...
0 0 0 2025/04/03 arXiv:2504.01941v1 布朗瓶
Error-Robust Multi-View Clustering 
在大数据时代，数据可能来自多种来源，称为多视图数据。多视图聚类旨在通过从多个视图中利用互补和一致的信息而不是依靠单个视图来生成更好的簇。由于由数据捕获传感器或其他人引起的不可避免的系统错误，每个视图中的数据可能是错误的 ...
0 0 0 2025/04/03 arXiv:1801.00384v1 FOUR_A
Robust and efficient multi-way spectral clustering 
我们提出了一种基于列的QR分解的新算法，用于光谱聚类，该算法可以直接用于群集分配或为K均值提供初始猜测。我们的算法易于实现，直接和不需要初始猜测。此外，它在图的节点数量中线性缩放，随机变体可提供显着的计算增长 ...
0 0 0 2025/04/03 arXiv:1609.08251v2 FOUR_A
Unleashing the Power of Data Tsunami: A Comprehensive Survey on Data Assessment and Selection for Instruction Tuning of Language Models 
指令调优在使大型语言模型 (LLM) 与人类偏好保持一致方面发挥着至关重要的作用。尽管有大量的开放指令数据集，但在所有现有指令上简单地训练 LLM 可能不是最佳和实用的。为了确定最有益的数据点，自然语言处理（NLP）和深度学习领域提出了数据评估和选择方法 ...
0 0 0 2025/04/03 arXiv:2408.02085v5 晴天小熊猫
LLM-PySC2: Starcraft II learning environment for Large Language Models 
本文介绍了一个新的环境LLM-PYSC2（大语模型Starcraft II学习环境），该平台源自DeepMind的Starcraft II学习环境，该环境可开发基于大型语言模型（LLMS）的决策方法。这种环境是第一个提供完整的星际争霸II动作空间，多模式观察接口和结构化的游戏知识数据库，它们与各种LLM无缝连接​​，以促进基于LLMS的决策的研究。为了进一步支持多代理研究，我们开发了一个LLM协作 ...
0 0 0 2025/04/03 arXiv:2411.05348v1 Abidalswark
Robust Quantization: One Model to Rule Them All 
神经网络量化方法通常涉及在训练过程中模拟量化过程，从而使受过训练的模型高度依赖于目标位宽度和精确的量化方式。强大的量化提供了一种替代方法，并提高了对不同类别的数据类型和量化策略的耐受性。它打开了新的令人兴奋的应用程序，在这些应用程序中，量化过程不是静态的，并且可以不同以满足不同的情况和实现 ...
0 0 0 2025/04/03 arXiv:2002.07686v3 felixslu

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）