MoSLD: An Extremely Parameter-Efficient Mixture-of-Shared LoRAs for Multi-Task Learning 
最近，洛拉（Lora）已成为微调大型预培训模型的关键技术，但在多任务学习方案中的性能往往不足。相比之下，MOE架构为此问题提供了自然的解决方案。但是，它引入了挑战，例如跨多个领域的数据相互干扰以及知识忘记了各种任务 ...
0 0 0 2025/03/27 arXiv:2412.08946v1 jackson118
Why Go Full? Elevating Federated Learning Through Partial Network Updates 
Federated Learning是一种旨在保护用户数据隐私的分布式机器学习范式，在各种情况下已成功实施。在传统的联邦学习中，在每个培训回合中都更新了本地模型的整个参数。尽管此完整的网络更新方法可最大程度地利用每个模型层的知识获取和共享，但它可以防止全局模型的层次从有效合作到完成每个客户端的任务，这是我们称为层不匹配的挑战 ...
0 0 0 2025/03/27 arXiv:2410.11559v3 psyduck1
Language Modeling with Gated Convolutional Networks 
迄今为止，语言建模的主要方法是基于循环神经网络。他们在这项任务上的成功通常与他们捕获无限上下文的能力有关。在本文中，我们通过堆叠卷积开发了一种有限上下文方法，这种方法可以更有效，因为它们允许对顺序标记进行并行化... ...
0 0 0 2025/03/27 arXiv:1612.08083v3 魔法少女斯内普
Detection of LLM-Paraphrased Code and Identification of the Responsible LLM Using Coding Style Features 
大型语言模型（LLMS）的最新进展引起了人们对知识产权保护的严重关注。恶意用户可以利用LLMS生成非常类似于原件的专有代码的释义版本。尽管LLM辅助代码释义的潜力不断增长，但检测其检测仍然有限的研究，强调了迫切需要检测系统 ...
0 0 0 2025/03/27 arXiv:2502.17749v2 15966829631
QCS-ADME: Quantum Circuit Search for Drug Property Prediction with Imbalanced Data and Regression Adaptation 
生物医学领域开始探索传统上通过古典机器学习处理的量子机学习（QML）的使用，尤其是在预测ADME（吸收，分布，代谢和排泄物）特性时，这对于药物评估至关重要。但是，ADME任务对现有的量子计算系统（QCS）框架构成了独特的挑战，因为它们涉及与数据集和回归问题的分类。这些双重要求使得有必要适应和完善当前的QCS框架，以有效解决ADME预测的复杂性 ...
0 0 0 2025/03/27 arXiv:2503.01927v1 oracle
Soft-Defined Heterogeneous Vehicular Network: Architecture and Challenges 
异构车辆网络（HETVNETS）可以通过连贯集成不同的访问网络来满足智能运输系统（ITS）服务的各种服务质量（QoS）要求。但是，HETVNET当前的网络体系结构无法有效地应对快速变化的网络景观的需求。由于云无线电访问网络（Cloud-Ran）的集中化和灵活性，可以方便地应用软定义的网络（SDN），以支持未来HETVNET功能和各种应用程序的动态性质，同时降低运营成本 ...
0 0 0 2025/03/27 arXiv:1510.06579v1 bendick
FastCuRL: Curriculum Reinforcement Learning with Progressive Context Extension for Efficient Training R1-like Reasoning Models 
在本文中，我们提出\ textbf {\ textsc {fastcurl}}，这是一种有效而有效的\ textbf {cu} rriculum \ textbf {r} einforevement \ textbf {r} einforkection \ textbf {l}通过在上下文中促进策略，以加强型号的范围，以实现型号的范围，以加强型号的范围，以加强型号的范围，以加强型号的效力，该策略的 ...
0 0 0 2025/03/27 arXiv:2503.17287v1 byron_
Jailbreaker in Jail: Moving Target Defense for Large Language Models 
大型语言模型（LLMS）以其在理解和遵循说明方面的能力而闻名，容易受到对抗性攻击的影响。研究人员发现，当前的商业LLM要么通过提供不道德的答案而无法“无害”，要么在面对对抗性查询时拒绝提供有意义的答案而无法“有帮助”。为了在帮助和无害之间取得平衡，我们设计了一个移动的目标防御（MTD）增强的LLM系统 ...
0 0 0 2025/03/27 arXiv:2310.02417v1 mccree

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）