Probabilistic partition of unity networks: clustering based deep approximation 
已显示统一网络（POU-NET）的分区能够实现PDE的回归和解决方案的代数收敛率，但需要对训练参数进行经验调整。我们用高斯噪声模型丰富了POU-NET，以获得可概率的概括，可与最大似然损失的最小化最小化。最终的体系结构提供了无噪声和嘈杂数据的空间表示，因为高斯混合物具有封闭形式的方差表达式，可提供局部误差的估计器 ...
0 0 0 2025/02/26 arXiv:2107.03066v1 wgkooo
Partition of unity networks: deep hp-approximation 
近似理论家通过利用其同时模拟统一和单一分区的能力来建立深层神经网络的最佳最佳近似速率。在此激励的情况下，我们提出了统一网络（POUNETS）的分区，将这些元素直接纳入体系结构。用于学习概率度量的类型的分类体系结构用于构建空间的无网格分区，而具有可学习系数的多项式空间与每个分区相关联 ...
0 0 0 2025/02/26 arXiv:2101.11256v1 wgkooo
Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation 
深度神经网络率先在时间序列预测（TSF）中取得了显着的进步，这是时间序列建模的主要任务之一。但是，时间序列的非平稳性破坏了在关键任务部署环境中预训练的源时间序列预测者的可靠性。在这项研究中，我们介绍了针对TSF（TSF-TTA）量身定制的开拓性测试时间适应框架 ...
0 0 0 2025/02/26 arXiv:2501.04970v1 zzr613
K-ON: Stacking Knowledge On the Head Layer of Large Language Model 
大型语言模型（LLM）的最新进展已大大改善了各种自然语言处理（NLP）任务。通常，LLM经过训练可以预测下一步的标记，并与许多NLP任务保持一致。但是，在知识图（kg）场景中，实体是基本单元，并且识别实体至少需要几个 Token  ...
1 0 0 2025/02/26 arXiv:2502.06257v1 Limb
Partition of Unity Physics-Informed Neural Networks (POU-PINNs): An Unsupervised Framework for Physics-Informed Domain Decomposition and Mixtures of Experts 
物理知识的神经网络（PINN）通常通过发现未知物理学来解决不适合的反问题。这项研究提出了一个新颖的无监督学习框架，该框架可以通过特定的治理物理学识别空间子域。它使用Unity网络（POU）的分区将空间分为子域，并将唯一的非线性模型参数分配到每个物理模型中 ...
0 0 0 2025/02/26 arXiv:2412.06842v1 wgkooo
Improving Factuality with Explicit Working Memory 
大型语言模型可能会产生事实不准确的内容，这是一个称为幻觉的问题。最近的作品是基于检索到的一代，以通过迭代提示来改善事实，但这些方法受传统的抹布设计的限制。为了应对这些挑战，我们介绍了母羊（明确的工作记忆），这是一种新颖的方法，通过整合从外部资源中接收实时反馈的工作记忆来增强长篇文本生成中的事实 ...
0 0 0 2025/02/26 arXiv:2412.18069v2 aptx4869
Contextual Cross-Modal Attention for Audio-Visual Deepfake Detection and Localization 
在数字时代，深层和合成媒体的出现对社会和政治诚信构成了重大威胁。基于多模式操纵（例如视听性）基于多模式操作的深击更现实，并构成更大的威胁。当前的多模式DeepFake探测器通常基于来自多种模式的异质数据流的基于注意力的融合 ...
0 0 0 2025/02/26 arXiv:2408.01532v2 13080420360
PIDNet: A Real-time Semantic Segmentation Network Inspired by PID Controllers 
两个分支网络体系结构显示了其在实时语义细分任务中的效率和有效性。但是，高分辨率细节和低频上下文的直接融合使详细特征的缺点很容易被周围的上下文信息淹没。这种过冲现象限制了现有两部分模型的分割精度的提高 ...
0 0 0 2025/02/26 arXiv:2206.02066v3 xiaoxia

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）