DrEureka: Language Model Guided Sim-To-Real Transfer 
将模拟中学到的政策转移到现实世界中是一种有前途的策略，用于大规模获取机器人技能。但是，SIM到现实的方法通常依赖于任务奖励函数的手动设计和调整以及模拟物理参数，从而使过程缓慢而人类限制。在本文中，我们使用大型语言模型（LLM）进行调查以自动化和加速SIM到现实的设计 ...
0 0 0 2025/05/29 arXiv:2406.01967v1 yydsdsyy
Unleashing the Power of Large Language Models in Zero-shot Relation Extraction via Self-Prompting 
最近零样本关系提取 (RE) 的研究主要集中在使用大型语言模型 (LLM)，因为它们具有令人印象深刻的零样本功能。然而，当前的方法通常表现不佳，主要是由于缺乏理解各种句子和关系所需的详细的、特定于上下文的提示。为了解决这个问题，我们引入了自我提示框架，这是一种旨在充分利用 LLM 中嵌入的 RE 知识的新颖方法 ...
0 0 0 2025/05/29 arXiv:2410.01154v2 spiritedge
Dilu: Enabling GPU Resourcing-on-Demand for Serverless DL Serving via Introspective Elasticity 
深度学习应用程序（DL）应用程序广泛采用了无服务器计算，其易于管理，自动缩放和成本效益。 DL工作负载，尤其是使用大型语言模型，需要大量的GPU资源来确保QoS。但是，很容易产生GPU碎片（e ...
0 0 0 2025/05/29 arXiv:2503.05130v1 tianjianjjj
Style-NeRF2NeRF: 3D Style Transfer From Style-Aligned Multi-View Images 
我们提出了一条简单而有效的管道，用于对3D场景进行样式化，利用2D图像扩散模型的功能。给定一个从一组多视图图像重建的NERF模型，我们通过使用由样式与样式的图像到图像扩散模型生成的风格化图像来完善源NERF模型来执行3D样式传输。考虑到目标样式提示，我们首先通过利用带有注意力共享机制的深度条件扩散模型来生成相似的多视图图像 ...
0 0 0 2025/05/29 arXiv:2406.13393v3 zhifeiji
Eureka: Human-Level Reward Design via Coding Large Language Models 
大型语言模型 (LLM) 作为顺序决策任务的高级语义规划器表现出色。然而，利用它们来学习复杂的低级操作任务，例如灵巧的笔旋转，仍然是一个悬而未决的问题。我们弥补了这一根本差距并提出了 Eureka，这是一种由 LLM 支持的人类水平的奖励设计算法 ...
0 0 0 2025/05/29 arXiv:2310.12931v2 llliuxiao
SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs 
（kg）以头-关系-尾三元组的形式捕获知识-尾三元组的形式捕获知识，是许多人工智能系统的重要组成部分。kg有两个重要的推理任务：（：（-1），其中涉及预测，其中涉及预测kg 中的各个链接；（2）、多跳推理，其目标是预测哪些，其目标是预测哪些 ...
0 0 0 2025/05/29 arXiv:2110.14890v2 Shmily
Is the House Ready For Sleeptime? Generating and Evaluating Situational Queries for Embodied Question Answering 
我们在家庭环境中使用情境查询（S-EQA）提出并解决了体现的问答（EQA）的问题。与先前的EQA工作不同，可以解决直接引用目标对象和属性的简单查询（“汽车的颜色是什么？”），而情境查询（例如“房子准备好入睡？”）很具有挑战性，因为他们要求代理商正确地识别多个对象态（门：闭合：封闭，灯：off：off：off：off：off：off：off：off：off：off：off：off：off offec ...
0 0 0 2025/05/29 arXiv:2405.04732v3 蔡明方
DiffPuter: Empowering Diffusion Models for Missing Data Imputation 
生成模型在缺少数据推出的过程中起着重要的作用，因为它们旨在了解完整数据的联合分布。但是，将先进的深层生成模型（例如扩散模型）应用于缺少数据归因是挑战，这是由于1）训练数据的固有不完整性以及2）难以从无条件生成模型中执行条件推断的困难。为了应对这些挑战，本文介绍了扩散器，这是一种量身定制的扩散模型，结合了预期最大化（EM）算法，用于缺失数据插补 ...
0 0 0 2025/05/29 arXiv:2405.20690v2 smallz

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）