T2S: High-resolution Time Series Generation with Text-to-Series Diffusion Models 
文本连续系列的生成具有巨大的潜力，可以应对诸如数据稀疏，失衡以及跨域多模式时间序列数据集的有限可用性等挑战。尽管扩散模型在文本到X方面取得了巨大的成功（例如 ...
0 0 0 2025/09/04 arXiv:2505.02417v2 haoyb22
Gaussian-LIC: Real-Time Photo-Realistic SLAM with Gaussian Splatting and LiDAR-Inertial-Camera Fusion 
我们提出了一种实时 LiDAR-惯性相机 SLAM 系统，以 3D Gaussian Splatting 作为映射后端。本文利用我们的激光雷达惯性相机里程计 Coco-LIC 的稳健姿态估计，提出了一种增量真实感测绘系统。我们从彩色 LiDAR 点初始化 3D 高斯，并使用由 3D 高斯 Splatting 提供支持的可微渲染来优化它们 ...
0 0 0 2025/09/04 arXiv:2404.06926v3 康康23
See Beyond a Single View: Multi-Attribution Learning Leads to Better Conversion Rate Prediction 
转换率（CVR）预测是在线广告系统的核心组成部分，其中用于在用户触摸点上分配转换信用的归因机制规则基本上确定标签生成和模型优化。尽管许多工业平台都支持各种归因机制（例如 ...
0 0 0 2025/09/04 arXiv:2508.15217v1 fanyiguan
CASSINI: Network-Aware Job Scheduling in Machine Learning Clusters 
我们推出了卡西尼，一种用于机器学习（ml）集群的网络感知作业调度程序。cassini引入了一种新颖的几何抽象来考虑不同作业的通信模式，同时将它们放置在网络链路上。为此，卡西尼使用亲和图查找一系列时移值来调整作业子集的通信阶段，以便 ...
0 0 1 2025/09/04 arXiv:2308.00852v1 Kistich511
Can Multimodal Foundation Models Understand Schematic Diagrams? An Empirical Study on Information-Seeking QA over Scientific Papers 
本文介绍了Miss-QA，这是第一个专门设计用于评估模型在科学文献中解释示意图的能力的基准。 QA小姐包括465篇科学论文的1,500个专家宣布的例子。在此基准测试中，模型的任务是解释示意图，这些图表说明了研究概述并根据本文的更广泛背景来回答相应的信息寻求问题 ...
0 0 0 2025/09/04 arXiv:2507.10787v1 15966829631
Cross-Timeslot Optimization for Distributed GPU Inference Using Reinforcement Learning 
大型语言模型（LLM）服务的快速增长对分布式GPU推断基础架构的需求不断增加。大多数现有的调度系统都依赖当前的系统状态来做出决策，而无需考虑任务需求和资源可用性如何随着时间的流逝而发展。缺乏时间意识会导致GPU利用率降低，高任务迁移开销以及动态工作负载下的系统响应性差 ...
0 0 0 2025/09/04 arXiv:2507.10259v1 Monickar
DCPO: Dynamic Clipping Policy Optimization 
从可验证的奖励（RLVR）中学习的强化学习已成为增强大语言模型的推理能力的有前途的框架。但是，诸如GRPO之类的现有方法通常会遭受零梯度的影响。此问题主要是由于 Token 级别概率比和相同奖励的标准化的固定剪辑界限，这可能导致无效的梯度更新和未充分利用生成的响应 ...
0 0 0 2025/09/04 arXiv:2509.02333v1 zengyixing
Text segmentation with character-level text embeddings 
学习单词表示最近在计算语言学方面取得了很大的成功。但是，假设单词 Token 作为语言分析的输入通常是没有道理的。对于许多语言而言，单词分割是一项非平凡的任务，自然存在的文本有时是自然语言字符串和其他字符数据的混合 ...
0 0 0 2025/09/04 arXiv:1309.4628v1 XiaoQiang

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）