FireRedTTS-1S: An Upgraded Streamable Foundation Text-to-Speech System 
在这项工作中，我们提出了一个高质量的流式基础基础文本到语音系统，即FireredTTS-1S，该系统从流式版的FireredTTS中升级。 FireredTTS-1S通过两个步骤实现流媒体生成：文本到语义解码和语义到声学解码。在文本到语义解码中，语义吸引的语音 Token 使语音信号转换为语义 Token ，可以通过自动回归方式通过语义语言模型从文本中合成语义 Token  ...
0 0 0 2025/03/27 arXiv:2503.20499v1 wenzhanwujian
Text-Free Multi-domain Graph Pre-training: Toward Graph Foundation Models 
考虑到图形数据的普遍性，很有趣地问：是否可以在各种域跨多种图形数据上训练图形基础模型？实现这一目标的主要障碍在于一个事实，即来自不同领域的图通常表现出明显不同的特征。尽管在整合多域图以进行预训练方面已经有一些初步的努力，但它们主要依靠文本描述来对齐图形，从而将其应用程序限制为文本属性图形。此外，不同的源域可能会发生冲突或互相干扰，并且它们与目标域的相关性可能会有很大差异 ...
0 0 0 2025/03/27 arXiv:2405.13934v4 wozengyi
Zero-Shot Text-to-Image Generation 
文本到图像生成传统上专注于寻找更好的建模假设以在固定数据集上进行训练。这些假设可能涉及复杂的架构、辅助损失或辅助信息，例如训练期间提供的对象部分标签或分割掩模。我们描述了一种基于 Transformer 的简单方法来完成此任务，该 Transformer 将文本和图像标记自回归建模为单个数据流... ...
0 0 0 2025/03/27 arXiv:2102.12092v2 Feng
Fin-R1: A Large Language Model for Financial Reasoning through Reinforcement Learning 
推理大型语言模型正在跨各个领域迅速发展。但是，它们在处理复杂财务任务的能力仍然需要深入探索。在本文中，我们介绍了Fin-R1，这是一种专门为金融领域设计的大型语言模型 ...
0 0 0 2025/03/27 arXiv:2503.16252v2 yang1young
Dynamic Graph Embedding via LSTM History Tracking 
许多现实世界网络非常大，并且会随着时间的流逝而不断变化。这些动态网络存在于社交网络，流量网络和生物互动等各个领域中。为了处理下游应用程序（例如链接预测和异常检测）中的大型动态网络，将这些网络转移到低维空间至关重要 ...
0 0 0 2025/03/27 arXiv:1911.01551v1 Evaneena
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

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）