LLM4TS: Aligning Pre-Trained LLMs as Data-Efficient Time-Series Forecasters 
经济规划和蜡烛等各个领域中的多元时间序列预测都至关重要... ...
0 0 0 2025/09/14 arXiv:2308.08469v6 18536357897
18536357897
Enhancing Time Series Forecasting via Multi-Level Text Alignment with LLMs 
大型语言模型（LLM）对时间序列的改编预测，随着时间序列数据本质上是连续的，而LLMS则在离散 Token 上运行。尽管LLM在自然语言处理（NLP）和其他结构化领域中取得了成功，但将时间序列数据与基于语言的表示的一致，同时保持预测精度和可解释性仍然是一个重大障碍。现有的方法已尝试将时间序列数据重新编程为基于文本的表单，但是这些方法通常在提供有意义的，可解释的结果方面不足 ...
0 0 0 2025/09/14 arXiv:2504.07360v2 18536357897
T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion 
多元时间序列预测（MTSF）试图模拟变量之间的时间动态，以预测未来的趋势。基于变形金刚的模型和大型语言模型（LLMS）由于能够捕获长期依赖性和模式的能力而显示出希望。但是，当前的方法通常依赖于刚性的归纳偏见，忽略可干预的相互作用或应用静态融合策略，从而限制了整个预测范围的适应性 ...
0 0 0 2025/09/14 arXiv:2508.04251v1 18536357897
Large Language Model-Based Task Offloading and Resource Allocation for Digital Twin Edge Computing Networks 
在本文中，我们提出了一个一般的数字双边缘计算网络，其中包括多个车辆和服务器。每辆车都会在一个时间插槽内生成多个计算任务，从而导致将任务卸载到服务器时会排队挑战。该研究调查了任务卸载策略，队列稳定性和资源分配 ...
0 0 0 2025/09/14 arXiv:2507.19050v1 liangliangliang
LLM-based Relevance Assessment for Web-Scale Search Evaluation at Pinterest 
相关性评估在个性化搜索系统中起着至关重要的作用，以确保搜索结果与用户的查询和意图保持一致。尽管人类注释是相关性评估的传统方法，但其高成本和较长的周转时间限制了其可扩展性。在这项工作中，我们在Pinterest搜索中介绍了使用微调LLM的在线实验的相关性评估的方法 ...
0 0 0 2025/09/13 arXiv:2509.03764v1 wdn
Evolving Self-Assembling Neural Networks: From Spontaneous Activity to Experience-Dependent Learning 
生物神经网络的特征是它们的高度可塑性，这是一种核心特性，可实现天然生物的显着适应性。重要的是，这种能力会影响神经系统的突触强度和拓扑。另一方面，人工神经网络主要被设计为静态，完全连接的结构，在面对不断变化的环境和新颖的投入时，可以臭名昭著地脆弱 ...
0 0 0 2025/09/13 arXiv:2406.09787v1 parsifalster
Towards Self-Assembling Artificial Neural Networks through Neural Developmental Programs 
生物神经系统的创建方式与当前的人工神经网络完全不同。尽管在各种不同的领域中具有令人印象深刻的结果，但深度学习通常需要大量的工程工作来设计高性能的神经体系结构。相比之下，生物神经系统是通过动态的自组织过程来生长的 ...
0 0 0 2025/09/13 arXiv:2307.08197v1 parsifalster
A Path to Universal Neural Cellular Automata 
蜂窝自动机长期以来一直因其从简单的本地规则中产生复杂行为的能力而受到庆祝，并具有众所周知的离散模型，例如Conway的生活游戏，可以证明能够获得通用计算。最近的进步已将细胞自动机扩展到连续域，从而提出了这些系统是否保留了通用计算能力的问题。同时，神经细胞自动机已经成为一种强大的范式，其中通过梯度下降学到了规则，而不是手动设计 ...
0 0 0 2025/09/13 arXiv:2505.13058v2 parsifalster

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）