Survey on Modeling of Human-made Articulated Objects 
3D对象的3D建模是计算机视觉，图形和机器人技术中的研究问题。它的目的是了解铰接组件的形状和运动，代表对象部分的几何形状和移动性，并创建现实的模型，以反映现实世界中铰接的对象。这项调查提供了对铰接对象的3D建模中最新建模的全面概述，特别关注铰接的部分感知和铰​​接对象创建（重建和生成）的任务 ...
0 0 0 2025/05/23 arXiv:2403.14937v3 doudou0037
StepSearch: Igniting LLMs Search Ability via Step-Wise Proximal Policy Optimization 
高效的多跳跃推理需要基于大语言模型（LLM）的代理，才能迭代地获取高价值的外部知识。先前的工作探索了加强学习（RL）来培训LLMS以执行基于搜索的文档检索，从而取得了显着的改进，从而取得了显着的改进，但由于仅来自全球信号的稀疏奖励而产生的复杂，多跳的质量质量质量检查表现不佳。为了解决现有研究中的这一差距，我们介绍了Stepearch，这是一个搜索LLMS的框架，该框架接受了逐步近端策略优化方法 . ...
0 0 0 2025/05/23 arXiv:2505.15107v1 chrisxiong
Contextualizing biological perturbation experiments through language 
高含量的扰动实验使科学家可以以前所未有的分辨率探测生物分子系统，但是实验和分析的成本构成了广泛采用的显着障碍。机器学习有可能指导对扰动空间的有效探索并从这些数据中提取新见解。但是，当前的方法忽略了相关生物学的语义丰富性，其目标与下游生物学分析未对准 ...
0 0 0 2025/05/23 arXiv:2502.21290v1 algcd
Large Language Models Post-training: Surveying Techniques from Alignment to Reasoning 
大型语言模型（LLM）的出现从根本上改变了自然语言处理，使其在从对话系统到科学探索的范围内必不可少。但是，他们的预训练的架构通常揭示了在专业环境中的局限性，包括限制的推理能力，道德不确定性和次优的领域特定性能。这些挑战需要先进的培训后语言模型（POLMS）来解决这些缺点，例如OpenAI-O1/O3和DeepSeek-R1（统称为大型推理模型或LRMS） ...
0 0 0 2025/05/23 arXiv:2503.06072v2 leec
Self-Calibrated Cross Attention Network for Few-Shot Segmentation 
几次分割（FSS）成功的关键在于如何有效利用支持样本。大多数解决方案将支持前景（FG）的特征压缩为原型，但丢失了一些空间细节。取而代之的是，其他人则使用未压缩支持FG的Fuse查询功能进行互相注意 ...
0 0 1 2025/05/23 arXiv:2308.09294v1 一杯淡茶哥
Do LLMs Surpass Encoders for Biomedical NER? 
识别自由文本中的生物医学概念及其类型（例如，药物或基因）通常称为生物医学命名实体识别（NER），是信息提取（IE）管道的基本组成部分 ...
0 0 0 2025/05/23 arXiv:2504.00664v1 hty2024
Community Detection for Heterogeneous Multiple Social Networks 
社区在了解社交网络中的用户行为和网络特征方面起着至关重要的作用。一些用户可以一次使用多个社交网络来实现各种目标。这些用户被称为重叠的用户，这些用户桥接了不同的社交网络 ...
0 0 0 2025/05/23 arXiv:2405.04371v1 hjx9004
hjx9004
Robust Planning for Autonomous Driving via Mixed Adversarial Diffusion Predictions 
我们描述了一种自主驾驶的强大规划方法，该方法通过训练运动预测的扩散模型来混合正常和对抗性剂预测输出。我们首先训练一个扩散模型，以学习正常剂行为的公正分布。然后，我们通过在测试时间偏向扩散模型来产生对抗性预测的分布，以产生可能与候选计划相撞的预测 ...
0 0 0 2025/05/23 arXiv:2505.12327v1 chenlei

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）