Orca: Progressive Learning from Complex Explanation Traces of GPT-4 
最近的研究重点是通过模仿学习来增强较小模型的能力，并利用大型基础模型（LFMS）产生的输出。许多问题影响了这些模型的质量，从浅LFM输出的有限仿真信号等等；小规模同质培训数据；最值得注意的是缺乏严格的评估，导致高估了小型模型的能力，因为它们倾向于模仿样式，而不是LFM的推理过程。为了应对这些挑战，我们开发了ORCA（我们正在与法律团队合作，根据Llama的发布政策公开释放模型权重，该政策将在此HT ...
0 0 0 2025/07/21 arXiv:2306.02707v1 千禧狸花
Interaction-Merged Motion Planning: Effectively Leveraging Diverse Motion Datasets for Robust Planning 
运动计划是自主机器人驾驶的关键组成部分。尽管存在各种轨迹数据集，但由于代理相互作用和环境特征的差异，将它们有效地利用它们用于目标域仍然具有挑战性。常规方法，例如域的适应或集成学习，利用多个源数据集，但遭受域失衡，灾难性遗忘和高计算成本的困扰 ...
0 0 0 2025/07/21 arXiv:2507.04790v1 布朗瓶
The benefits of query-based KGQA systems for complex and temporal questions in LLM era 
大型语言模型在提问（QA）中表现出色，但仍在多跳上的推理和时间问题上挣扎。基于查询的知识图QA（KGQA）通过生成可执行查询而不是直接答案提供了模块化替代方案。我们探索了Wikidata QA的基于多阶段查询的框架，提出了多阶段方法，以提高挑战性多跳和时间基准的性能 ...
0 0 0 2025/07/21 arXiv:2507.11954v1 aulisa
Generative Multi-Target Cross-Domain Recommendation 
最近，对多目标跨域推荐（MTCDR）引起了人们的兴趣，该建议旨在同时提高多个领域的建议性能。现有的MTCDR方法主要依赖于域共享实体（\ EG用户或项目）来融合和传输跨域知识，这在非裁缝建议方案中可能无法使用。一些研究将用户的偏好和项目功能建模为域可共享的语义表示形式，可以用来解决MTCDR任务 ...
0 0 0 2025/07/21 arXiv:2507.12871v2 Cindy
Cautious Optimizers: Improving Training with One Line of Code 
ADAMW是 Transformer 预处理的默认优化器。多年来，我们的社区一直在搜索更快，更稳定的优化器，其正面结果有限。在这项工作中，我们向任何基于动量的优化器提出了Pytorch中的单线修改，我们将其重命名为谨慎的优化器e ...
0 0 0 2025/07/21 arXiv:2411.16085v3 leiwu30
A Strong View-Free Baseline Approach for Single-View Image Guided Point Cloud Completion 
单视图像指导点云完成（SVIPC）任务旨在借助单视图像从部分输入中重建完整的点云。尽管以前的作品证明了这种多模式方法的有效性，但图像指导的基本必要性在很大程度上仍未受到检查。为了探讨这一点，我们基于一个基于注意力的多分支编码器网络的SVIPC提出了强大的基线方法，该方法仅将部分点云视为输入，无视图 ...
0 0 0 2025/07/21 arXiv:2506.15747v1 liushibo
Federated Learning with Non-IID Data 
联合学习可以使资源受限的边缘计算设备（例如手机和物联网设备）学习一个共享模型以进行预测，同时保持培训数据本地。这种分散的火车模型方法可提供隐私，安全，监管和经济利益。在这项工作中，当本地数据是非IID时，我们关注联合学习的统计挑战 ...
0 0 0 2025/07/21 arXiv:1806.00582v2 cyyo
How Can Recommender Systems Benefit from Large Language Models: A Survey 
随着在线服务的快速发展，推荐系统（RS）对于缓解信息过载变得越来越不可或缺。尽管取得了显着的进步，传统的推荐模型（CRM）仍然存在一些局限性，例如 ...
0 0 0 2025/07/21 arXiv:2306.05817v6 wangjinxile
wangjinxile

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）