CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation 
蛋白质结构对于理解其功能和相互作用很重要。当前，许多蛋白质结构预测方法正在丰富结构数据库。区分结构的起源对于区分实验解析和计算预测结构，评估预测方法的可靠性以及指导下游生物学研究至关重要 ...
0 0 0 2025/04/20 arXiv:2410.15592v2 DECEM
MMAudio: Taming Multimodal Joint Training for High-Quality Video-to-Audio Synthesis 
我们建议使用新型的多模式联合训练框架MMAUDIO合成视频和可选文本条件，以合成高质量和同步音频。与仅在（有限）视频数据的情况下进行的单模式训练相反，MMAUDIO是通过更大尺寸，容易获得的文本原告数据共同培训的，以学会生成语义上一致的高质量音频样本。此外，我们通过条件同步模块改善了视听同步，该模块将视频条件与框架级别的音频潜在的条件保持一致 ...
0 0 0 2025/04/20 arXiv:2412.15322v2 Harry3790
Computing Within Limits: An Empirical Study of Energy Consumption in ML Training and Inference 
机器学习（ML）取得了巨大的进步，但其环境足迹仍然是一个令人担忧的问题。认识到ML的环境影响不断增长，本文研究了绿色ML，研究了培训和推理阶段中的各种模型架构和超参数，以识别节能实践。我们的研究利用基于软件的功率测量值，以便于跨不同配置，模型和数据集的复制 ...
0 0 0 2025/04/20 arXiv:2406.14328v1 胖河豚
Revisiting Attention for Multivariate Time Series Forecasting 
当前用于多元时间序列预测（MTSF）的 Transformer 方法均基于常规注意机制。它们涉及嵌入序列并执行Q，K和V的线性投影，然后在此潜在空间内计算注意力。我们从未深入研究注意机制，以探索这种映射空间是否最适合MTSF ...
0 0 0 2025/04/20 arXiv:2407.13806v1 wang123123
Partial Fine-Tuning: A Successor to Full Fine-Tuning for Vision Transformers 
微调预培训的基础模型在各个研究领域都广受欢迎。现有的微调方法可以大致分为两类，即参数有效的微调和高性能微调。前者旨在提高效率，而后者则侧重于提高性能 ...
0 0 0 2025/04/20 arXiv:2312.15681v1 19396386025
Distillation-Supervised Convolutional Low-Rank Adaptation for Efficient Image Super-Resolution 
卷积神经网络（CNN）已被广泛用于有效的图像超分辨率。但是，对于基于CNN的方法，性能提高通常需要更深层的网络和更大的特征图，从而增加复杂性和推理成本。受洛拉（Lora）在微调大语模型中的成功启发的启发，我们探索了其对轻量级模型的应用，并提出了蒸馏措施的卷积低级别适应性（DSCLORA），从而改善了模型性能而不会提高建筑复杂性或推荐成本 ...
0 0 0 2025/04/20 arXiv:2504.11271v1 19396386025
HyperCore: The Core Framework for Building Hyperbolic Foundation Models with Comprehensive Modules 
双曲神经网络已成为一种强大的工具，用于建模各种方式跨不同方式。最近的研究表明，基础模型中的 Token 分布表现出无尺度的特性，这表明双曲线空间比欧几里得空间更合适，用于许多前训练和下游任务。但是，现有工具缺乏建立双曲线基础模型的重要组成部分，因此很难利用最近的进步 ...
0 0 0 2025/04/20 arXiv:2504.08912v1 19396386025
Boosting Adversarial Transferability with Spatial Adversarial Alignment 
深度神经网络容易受到各种模型中可传递性的对抗性示例的影响。提出了许多方法来增强对抗性示例的可传递性，包括高级优化，数据增强和模型修改。但是，这些方法仍然显示出有限的可传递性，尤其是在跨架构方案中，例如从CNN到VIT ...
0 0 0 2025/04/20 arXiv:2501.01015v1 19396386025

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）