作者: Andres M Bran, Theo A Neukomm, Daniel P Armstrong, Zlatko Jončev, Philippe Schwaller
研究方向: 化学推理与机器学习
本研究提出了一种利用大型语言模型（LLM）进行化学推理的新方法，该方法将LLM作为化学推理引擎，结合传统搜索算法，以实现计算机辅助化学的新范式。通过两个基本挑战：策略感知的逆合成规划和机制阐明，展示了LLM在化学推理中的强大能力。
作者: Tong Wei, Yijun Yang, Junliang Xing, Yuanchun Shi, Zongqing Lu, Deheng Ye
研究方向: 视觉语言模型（VLM）与强化学习（RL）
本文研究了如何通过强化学习训练视觉语言模型（VLM）在动态视觉环境中进行推理并完成特定目标。针对VLM在复杂任务中容易出现的“思维崩溃”问题，提出了“引导思维强化”（GTR）框架，通过结合自动思维纠正和基于强化学习的优化，提升VLM的决策能力。
作者: Chengcheng Yan, Jiawei Xu, Qingsong Wang, Zheng Peng
研究方向: 深度学习优化方法
该研究提出了一种名为TIAM（Triple-Inertial Accelerated Alternating Minimization）的深度学习模型训练方法，旨在解决现有随机梯度下降（SGD）算法的局限性，如梯度消失、对输入数据敏感和缺乏鲁棒的理论保证。该方法结合了交替最小化（AM）方法和三惯性加速策略，以提高收敛速度和性能。
作者: Hao Jiang, Yixing Xu, Pradeep Varakantham
研究方向: 智能交通系统与共享出行
本文针对按需拼车服务中的拼车匹配问题（RMP），提出了一种名为FlexiPool的优化方法。该方法通过引入扩展的上下车区域，允许乘客步行至附近的地点与车辆汇合，从而提高拼车服务的效率。
作者: Oana Balmau, Anne-Marie Kermarrec, Rafael Pires, André Loureiro Espírito Santo, Martijn de Vos, Milos Vujasinovic
研究方向: 机器学习，混合专家模型（MoE）
本文提出了一种名为MoEShard的MoE模型推理系统，通过专家张量分片技术实现GPU间负载均衡，从而提高MoE模型推理效率。
作者: Olga Meyer, Marvin Boell, Christoph Legat
研究方向: 工业4.0标准化、人工智能与数字孪生
本文从欧洲视角探讨了工业4.0标准化框架的现状和未来前景，重点关注了标准化的基础作用和功能，特别是其在欧洲法规框架中的重要性。文章突出了智能制造和数字孪生标准化的相关主题，并提供了工业4.0标准框架的概述。
作者: Olga Meyer, Marvin Boell, Christoph Legat
研究方向: 工业4.0标准化与智能化制造
本文探讨了工业4.0技术在欧洲标准化框架中的重要作用，重点关注标准化在确保互操作性、安全性和效率方面的基本作用。文章强调了数字孪生和人工智能在智能制造中的重要性，并概述了工业4.0标准框架。
作者: Shankar Gangisetty, Abdul Wasi, Shyam Nandan Rai, C. V. Jawahar, Sajay Raj, Manish Prajapati, Ayesha Choudhary, Aaryadev Chandra, Dev Chandan, Shireen Chand, Suvaditya Mukherjee
研究方向: 智能交通系统与行为预测
本文研究了两轮车骑手意图预测问题，旨在通过预测骑手的潜在操作来增强骑手安全。该研究通过收集和创建一个名为RAAD的数据集，并在其中定义了两个任务：单视图（前视图）骑手意图预测和多视图骑手意图预测。
作者: Kwan Yun, Seokhyeon Hong, Chaelin Kim, Junyong Noh
研究方向: 计算机视觉与动画
本文提出了一种名为AnyMoLe的新型运动插值方法，旨在解决基于学习的人物运动插值中存在的关键限制，即需要特定角色的数据集。该方法利用视频扩散模型来生成任意角色的中间帧运动，无需外部数据。
作者: Valentin Charraut, Thomas Tournaire, Waël Doulazmi, Thibault Buhet
研究方向: 自动驾驶与强化学习
本文介绍了V-Max，一个旨在使强化学习（RL）在自动驾驶（AD）中实际可行的开源研究框架。V-Max基于Waymax，一个硬件加速的AD模拟器，并扩展了ScenarioNet的方法，以快速模拟不同的AD数据集。V-Max集成了观察和奖励函数、基于transformer的编码器以及训练管道，并提供了对抗性评估设置和广泛的评估指标。