AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents 
结合语言，愿景和最近动作的基础模型已彻底改变了利用互联网规模数据的能力，以推理有用的任务。但是，训练体现的基础模型的主要挑战之一是缺乏基于物理世界的数据。在本文中，我们提出了Autort，该系统利用现有的基础模型来扩大在人类的监督下完全看不见的情况下运营机器人的部署 ...
0 0 0 2025/04/24 arXiv:2401.12963v2 mencius
Large Language Models for Multi-Robot Systems: A Survey 
大型语言模型（LLMS）的快速发展已在多机器人系统（MRS）中开辟了新的可能性，从而实现了增强的沟通，任务计划和人类机器人的互动。与传统的单机器人和多代理系统不同，太太提出了独特的挑战，包括协调，可扩展性和现实世界的适应性。这项调查提供了对LLM集成在MRS中的首次全面探索 ...
0 0 0 2025/04/24 arXiv:2502.03814v3 mencius
Characterizing and Optimizing LLM Inference Workloads on CPU-GPU Coupled Architectures 
大型语言模型（LLM）的推理工作负载越来越多地主导数据中心成本和资源利用率。因此，了解有关不断发展的CPU-GPU耦合体系结构的推理工作量特征对于优化至关重要。本文对松散耦合（PCIE A100/H100）和紧密耦合（GH200）系统的LLM推理行为进行了深入分析 ...
0 0 0 2025/04/24 arXiv:2504.11750v1 zasolla
Dovetail: A CPU/GPU Heterogeneous Speculative Decoding for LLM inference 
由于大型语言模型（LLM）的资源高度要求，因此在消费级设备上实现了广泛的部署，提出了重大挑战。通常，个人或消费级设备，包括在大型型号时代之前配置的服务器，通常具有相对较弱的GPU且CPU相对较强。但是，大多数当前方法主要取决于GPU进行计算 ...
0 0 0 2025/04/24 arXiv:2412.18934v1 zasolla
Multimodal Federated Learning with Missing Modality via Prototype Mask and Contrast 
在实际情况下，多模式联合学习通常会面临错综复杂的模式缺失的实际挑战，这对构建联合框架构成了限制，并大大降低了模型的推理准确性。解决丢失模式的现有解决方案通常涉及在客户端上开发特定于模式的编码器，并在服务器上培训模式融合模块。但是，这些方法主要限制在单峰客户端或完整的多模式客户端的特定情况下，努力在复杂的模态缺失方案中有效地概括 ...
0 0 0 2025/04/24 arXiv:2312.13508v2 xyj
CE-Net: Context Encoder Network for 2D Medical Image Segmentation 
医疗图像分割是医学图像分析中的重要一步。随着图像处理中卷积神经网络的快速发展，深度学习已用于医学图像分割，例如视盘分段，血管检测，肺部分割，细胞分割等。先前已经提出了基于U-NET的方法 ...
0 0 0 2025/04/24 arXiv:1903.02740v1 aaatuzi
Client Selection in Federated Learning: Convergence Analysis and Power-of-Choice Selection Strategies 
联合学习是一个分布式优化范式，它使大量资源有限的客户节点能够合作训练模型而无需数据共享。几项工作通过计算数据异质性，通信和计算限制以及部分客户参与来分析联合学习的融合。但是，他们假设客户参与度无偏见，其中随机选择客户的数据大小 ...
0 0 0 2025/04/24 arXiv:2010.01243v1 IQ_QI
TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation 
测试时间适应方法最近一直在引起人们的注意，作为通过逐渐更新模型而无需在目标数据上标记的模型来解决源对目标域间隙的实用解决方案。在本文中，我们提出了一种用于类别级对象姿势估计的测试时间适应方法，称为TTA-COPE。我们使用姿势感知信心设计了一种姿势合奏方法，并以自我训练的损失 ...
0 0 0 2025/04/24 arXiv:2303.16730v1 zhangxiao

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）