Tackling the Generative Learning Trilemma with Denoising Diffusion GANs 
A wide variety of deep generative models has been developed in the past decade.然而，这些模型通常在同时解决三个关键要求的同时困难，包括：高样本质量，模式覆盖范围和快速采样。我们将这些要求施加的挑战称为生成学习三元素，因为现有模型经常将其中的一些交易交换为其他模型 ...
0 0 0 2025/03/27 arXiv:2112.07804v2 sikandert.wang
Video-Text as Game Players: Hierarchical Banzhaf Interaction for Cross-Modal Representation Learning 
基于对比学习的视频语言表示方法，例如剪辑，已经取得了出色的性能，可以在预定的视频文本对上进行语义互动 ...
0 0 0 2025/03/27 arXiv:2303.14369v1 arthur
Lightweight Bimodal Network for Single-Image Super-Resolution via Symmetric CNN and Recursive Transformer 
通过深度学习的发展，单像超级分辨率（SISR）取得了重大突破。但是，这些方法很难在实际情况下应用，因为它们不可避免地伴随着复杂操作引起的计算和记忆成本问题。为了解决此问题，我们为SISR提出了一个轻型双峰网络（LBNET） ...
0 0 0 2025/03/27 arXiv:2204.13286v1 yangdeqishi
Calibrating Deep Neural Networks using Focal Loss 
深度神经网络（DNNS）的误解 - 模型的信心与正确性之间的不匹配使他们的预测难以依赖。理想情况下，我们希望网络准确，校准和自信。我们表明，与标准的横向损失相反，局灶性损失[Lin等 ...
0 0 0 2025/03/27 arXiv:2002.09437v2 zhong180
OpenCoder: The Open Cookbook for Top-Tier Code Large Language Models 
代码的大型语言模型（LLM）已经在各个领域变得不可或缺，包括代码生成、推理任务和代理这种http URL开放访问代码LLM越来越接近专有模型的性能水平，高质量的代码LLM适合严格的科学调查，特别是那些具有可重复数据处理流程和透明培训协议的调查，仍然有限。这种稀缺性是由于各种挑战造成的，包括资源限制、道德考虑以及保持模型先进的竞争优势。为了弥补这一差距，我们引入了 OpenCoder，这是一种顶级代 ...
0 0 0 2025/03/27 arXiv:2411.04905v3 uaene
Not Only Text: Exploring Compositionality of Visual Representations in Vision-Language Models 
视觉语言模型（VLMS）学习用于文本和图像的共享特征空间，从而可以比较不同方式的输入。虽然先前的工作表明VLM将自然语言表示形式组织到编码复合含义的常规结构中，但尚不清楚在视觉嵌入空间中是否还出现了组成模式。在这项工作中，我们研究了图像结构域中的组成性，其中组成特性的分析受到视觉数据的噪声和稀疏性的挑战 ...
0 0 0 2025/03/27 arXiv:2503.17142v1 Heart
SAMGPT: Text-free Graph Foundation Model for Multi-domain Pre-training and Cross-domain Adaptation 
图形能够在许多在线服务中建模互连实体，从而支持网络上的广泛应用程序。这提出了一个重要的问题：我们如何在多个源域上训练图基础模型并适应看不见的目标域？一个主要的障碍是，来自不同领域的图通常表现出不同的特征。一些研究利用大型语言模型根据与图形相关的文本描述对齐多个域，从而将其适用性限制在文本属性图中 ...
0 0 0 2025/03/27 arXiv:2502.05424v1 wozengyi
Towards an AI co-scientist 
科学发现依靠科学家产生了经过严格实验验证的新假设。为了增加此过程，我们引入了AI共同科学家，这是一种基于Gemini 2.0的多代理系统 ...
0 0 0 2025/03/27 arXiv:2502.18864v1 algc

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）