Serendipitous Recommendation with Multimodal LLM 
常规推荐系统成功地识别了相关内容，但通常无法为用户提供令人惊讶或新颖的项目。多模式的大语言模型（MLLM）具有偶然性所需的世界知识和多模式的理解，但是它们与十亿个项目级平台的整合提出了重大挑战。在本文中，我们提出了一个新型的层次结构框架，在该框架中，微调的MLLM为常规推荐模型提供了高级指导，将其转向更加偶然的建议 ...
0 0 0 2025/07/10 arXiv:2506.08283v1 帅哥
Synchformer: Efficient Synchronization from Sparse Cues 
我们的目标是视听同步，重点是“野外”视频，例如在YouTube上的视频，在YouTube上，同步提示可能很少。我们的贡献包括一种新型的视听同步模型，以及将通过多模式段级对比度预训练从同步建模中提取的训练。这种方法在密集和稀疏设置中都达到了最新的性能 ...
0 0 0 2025/07/10 arXiv:2401.16423v1 viczn
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data 
基于替代的建议在电子商务中广泛使用，为客户提供更好的替代方案。但是，现有的研究通常使用客户行为信号，例如共同观看和查看购买，但另一个可以捕获替代关系。尽管具有直观的健全性，我们发现这种方法可能会忽略产品的功能和特征 ...
0 0 0 2025/07/10 arXiv:2211.02533v2 ryaner
Try This Instead: Personalized and Interpretable Substitute Recommendation 
作为个性化建议中的基本但重要的过程，候选人生成和建议有效地帮助用户找到最合适的物品。因此，确定可互换的可替代项目为完善生成的候选人的质量提供了新的机会。当用户浏览特定类型的产品时（e ...
0 0 0 2025/07/10 arXiv:2005.09344v1 ryaner
TrAISformer -- A Transformer Network with Sparse Augmented Data Representation and Cross Entropy Loss for AIS-based Vessel Trajectory Prediction 
船只轨迹预测在众多海上应用和服务中起着关键作用。虽然自动识别系统（AIS）提供了丰富的信息来源来解决此任务，但即使对于现代机器学习技术，使用AIS数据预测船只轨迹仍然具有挑战性，因为运动数据的固有异构和多模态性质。在本文中，我们提出了一种解决这些挑战的新方法 ...
0 0 0 2025/07/10 arXiv:2109.03958v4 betask
ChartAssisstant: A Universal Chart Multimodal Language Model via Chart-to-Table Pre-training and Multitask Instruction Tuning 
图表在数据可视化，了解数据模式和知情决策中起着至关重要的作用。但是，它们的图形元素独特组合（例如 ...
0 0 0 2025/07/10 arXiv:2401.02384v3 baibaili
An Illusion of Progress? Assessing the Current State of Web Agents 
随着数字化和云技术的发展，网络在现代社会中变得越来越重要。基于大语言模型（LLM）的自主网络代理具有工作自动化的巨大潜力。因此，重要的是要准确测量和监视其能力的进展 ...
0 0 0 2025/07/10 arXiv:2504.01382v3 树叶无声
BeamDojo: Learning Agile Humanoid Locomotion on Sparse Footholds 
穿越稀疏立足的风险地形对人形机器人构成了重大挑战，需要精确的脚部放置和稳定的运动。由于脚部几何形状和不稳定的形态的差异，专为四足机器人设计的现有方法通常无法推广到人形机器人，而基于学习的人形运动的方法仍然面临着由于稀疏的落叶奖励信号和效率高效的学习过程而在复杂的地形上仍然面临着巨大的挑战。为了应对这些挑战，我们介绍了Beamdojo，这是一个旨在在稀疏立足点上实现敏捷的人形运动的增强框架（RL）框 ...
0 0 0 2025/07/10 arXiv:2502.10363v3 Kyrie

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）