Large Language Models Enable Few-Shot Clustering 
与传统的无监督聚类不同，半监督聚类允许用户为数据提供有意义的结构，这有助于聚类算法匹配用户的意图。现有的半监督聚类方法需要专家提供大量反馈来改进聚类。在本文中，我们询问大型语言模型是否可以放大专家的指导，以实现查询高效、少镜头的半监督文本聚类 ... ...
0 0 0 2025/03/26 arXiv:2307.00524v1 HoraceHQ
GraphOTTER: Evolving LLM-based Graph Reasoning for Complex Table Question Answering 
复杂的表问题回答涉及根据具有复杂布局和灵活的标头位置的复杂表提供准确的答案。尽管在LLM时代取得了很大的进展，但现有方法的推理过程通常是隐式的，将整个表格输入提示，因此很难有效地过滤桌子中的无关信息。为此，我们提出了明确建立推理过程以查明正确答案的图形生物 ...
0 0 0 2025/03/26 arXiv:2412.01230v1 caojun
LONGCODEU: Benchmarking Long-Context Language Models on Long Code Understanding 
当前的先进的长篇小说语言模型为现实世界软件工程应用程序提供了巨大的潜力。但是，这个关键领域的进展仍然受到基本限制的阻碍：缺乏严格的评估框架无法理解长期代码。为了差距这一障碍，我们从四个方面（8个任务）中提出了长期的代码理解基准朗科迪尔，以评估LCLMS的长期代码理解能力的长期代码理解能力，包括代码单位感知，内部代码单元理解，间代码单元之间的关系理解和长期代码文档的理解 ...
0 0 0 2025/03/26 arXiv:2503.04359v1 15966829631
TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network 
心电图（ECG）是一个有价值的信号，用于评估心脏健康的各个方面，例如心率和节奏。它在识别心脏状况和检测ECG数据中的异常方面起着至关重要的作用。但是，区分正常和异常的心电图信号可能是一项具有挑战性的任务 ...
0 0 0 2025/03/26 arXiv:2312.10187v2 conelly
Do Large Code Models Understand Programming Concepts? Counterfactual Analysis for Code Predicates 
大型语言模型在文本生成方面的成功也使它们在代码生成和编码任务方面表现得更好。虽然很多工作已经证明了它们在代码完成和编辑等任务上的卓越性能，但仍不清楚原因。我们通过探索自回归模型在多大程度上理解底层程序的逻辑结构来帮助弥合这一差距 ...
0 0 0 2025/03/26 arXiv:2402.05980v3 15966829631
On the representation and methodology for wide and short range head pose estimation 
头姿势估计（HPE）是对计算机视觉的兴趣问题，即在半额外或配置文件设置中提高面部处理任务的性能。最近的应用需要对整个360°旋转范围内的面部进行分析。解决半额外情况和轮廓案例的传统方法对于完整的旋转情况不直接 ...
0 0 0 2025/03/26 arXiv:2401.05807v1 No_fake
OASIS: Order-Augmented Strategy for Improved Code Search 
代码嵌入式捕获代码的语义表示，对于各种与代码相关的大型语言模型（LLM）应用程序（例如代码搜索）至关重要。以前的培训主要依赖于通过比较积极的自然语言（NL）编码对与内部负面负面物质来优化Infonce损失。但是，由于代码环境的稀疏性质，仅通过比较正面和负面对之间的主要差异而无法捕获更深层的语义细微差别 ...
0 0 0 2025/03/26 arXiv:2503.08161v3 15966829631
Cache-Craft: Managing Chunk-Caches for Efficient Retrieval-Augmented Generation 
检索增强的生成（RAG）通常与大语言模型（LLMS）一起使用，以注入域知识或特定于用户的信息。在抹布中，鉴于用户查询，一名猎犬从知识库中提取了大量相关文本。作为输入提示的一部分，这些块被发送到LLM ...
0 0 0 2025/03/26 arXiv:2502.15734v1 mike_zhang

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）