11:32arXiv cs.LG@Luca Thale-Bombien, Jan Ewald, Ralf König, Aaron Klein精选BBOmix 是首个针对真实生物数据的无监督表示学习超参数优化(HPO)开源表格基准。它包含来自 TCGA 和 SCHC 数据集的 105,000 次评估,涵盖四种自编码器架构和七种多组学模态。该基准量化了重建损失与下游任务性能之间的相关性,并评估了多种 HPO 方法,为无监督生物表示学习研究建立了严格基线。论文超参数优化自编码器生物信息学组学数据基准测试推荐理由:做生物信息学或组学数据降维的团队,终于有了一个标准化的 HPO 测试场——BBOmix 帮你省去从头调参的试错成本,做自编码器研究的可以直接用它验证方法。原文
10:41arXiv cs.LG@Dan Jacobellis, Neeraja J. Yadwadkar机器人系统常面临高分辨率视觉数据带宽和计算资源受限的问题,传统JPEG/MPEG编码器效率低,而AV1/AVIF等新编码器编码成本高且需专用硬件。SEAOTTER提出一种结合传感器嵌入式自编码器与一次性转码的压缩框架,在保持与JPEG基础设施兼容的同时,实现200:1压缩比下比AVIF快7倍编码、3.5倍解码,ImageNet top-1准确率提升8%。该方法通过可学习的JPEG颜色和量化变换,支持通用和任务感知的转码管道,适用于云机器人场景。代码已开源。论文图像压缩自编码器JPEG兼容云机器人开源/仓库推荐理由:机器人视觉数据压缩的痛点终于有了兼顾效率与兼容性的方案——SEAOTTER在200:1压缩比下比AVIF更快更准,做云机器人或边缘计算的团队可以直接用开源代码试试。原文