InfluenceNet: AI Models for Banzhaf and Shapley Value Prediction
作者: Benjamin Kempinski, Tal Kachman
研究方向: 游戏理论、投票游戏、权力指数、神经网络
本文研究了使用神经网络预测投票游戏中的权力指数，特别是Banzhaf和Shapley-Shubik指数，以解决传统计算方法在处理大规模联盟时的计算瓶颈。
ID: 2503.08381v1•来源: arxiv•发布时间: 2025-03-12
Robust Latent Matters: Boosting Image Generation with Sampling Error
作者: Kai Qiu, Xiang Li, Jason Kuen, Hao Chen, Xiaohao Xu, Jiuxiang Gu, Yinyi Luo, Bhiksha Raj, Zhe Lin, Marios Savvides
研究方向: 计算机视觉与生成模型
该研究主要关注图像生成模型中的图像分词器，通过分析离散潜在空间质量对自回归生成模型的影响，提出了一种新的图像分词器训练方法，旨在提高图像生成质量和收敛速度。
ID: 2503.08354v1•来源: arxiv•发布时间: 2025-03-12
MINT-Demo: Membership Inference Test Demonstrator
作者: Daniel DeAlcala, Aythami Morales, Julian Fierrez, Gonzalo Mancera, Ruben Tolosana, Ruben Vera-Rodriguez
研究方向: 人工智能与数据隐私保护
本文提出了一种名为MINT (Membership Inference Test) 的技术，用于检测数据是否被用于训练机器学习模型，以强调机器学习训练过程的透明度。研究者通过在五个公共数据库上进行的实验，证明了MINT的有效性，并开发了一个交互式网络平台来推广这一技术。
ID: 2503.08332v1•来源: arxiv•发布时间: 2025-03-13
Adding Chocolate to Mint: Mitigating Metric Interference in Machine Translation
作者: José Pombal, Nuno M. Guerreiro, Ricardo Rei, André F. T. Martins
研究方向: 机器翻译与自动评价指标
本文主要研究了机器翻译中的指标干扰问题（MINT），即模型训练和评估过程中使用相同或相关指标所带来的风险。作者分析了两种常见的MINT情况：训练数据过滤和基于质量信号的解码，并提出了MINTADJUST方法以解决该问题。
ID: 2503.08327v1•来源: arxiv•发布时间: 2025-03-12
Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data
作者: Lele Qi, Mengna Liu, Xu Cheng, Fan Shi, Xiufeng Liu, Shengyong Chen
研究方向: 风能领域中的风轮叶片结冰检测与联邦学习
本文针对风能领域中的风轮叶片结冰检测问题，提出了一种基于原型学习的异构联邦学习模型（FedHPb），用于解决数据隐私和异构环境下的模型优化问题，并针对数据不平衡问题提出了对比监督损失函数。
ID: 2503.08325v1•来源: arxiv•发布时间: 2025-03-12
Seeing and Reasoning with Confidence: Supercharging Multimodal LLMs with an Uncertainty-Aware Agentic Framework
作者: Zhuo Zhi, Chen Feng, Adam Daneshmend, Mine Orlu, Andreas Demosthenous, Lu Yin, Da Li, Ziquan Liu, Miguel R. D. Rodrigues
研究方向: 多模态大型语言模型（MLLM）的多模态推理
该研究提出了一种名为SRICE的多模态推理框架，旨在解决现有MLLM在多模态推理任务中的局限性，例如视觉问答（VQA）。SRICE通过集成外部视觉模型和不确定性量化（UQ）技术，实现了一种无需训练的多模态推理框架。
ID: 2503.08308v1•来源: arxiv•发布时间: 2025-03-12
General-Purpose Aerial Intelligent Agents Empowered by Large Language Models
作者: Ji Zhao, Xiao Lin
研究方向: 无人机领域与大型语言模型（LLM）的结合，实现开放世界中的通用任务执行
本文提出了一种新型的无人机智能体（AIA），它通过紧密集成LLM推理和机器人自主性，能够执行开放世界的任务。该系统采用硬件-软件协同设计，解决了两项基本限制：1）通过边缘优化的计算平台在机载上进行LLM操作，实现14B参数模型在220W峰值功率下的5-6个token/秒推理；2）双向认知架构，将慢速深思熟虑的规划（LLM任务规划）与快速反应控制（状态估计、映射、避障和运动规划）相结合。
ID: 2503.08302v1•来源: arxiv•发布时间: 2025-03-12
Large Language Model as Meta-Surrogate for Data-Driven Many-Task Optimization: A Proof-of-Principle Study
作者: Xian-Rong Zhang, Yue-Jiao Gong, Jun Zhang
研究方向: 多任务优化与大型语言模型
本文提出了一种基于大型语言模型（LLM）的元代理框架，用于数据驱动的多任务优化。该框架利用LLM的知识迁移能力和涌现能力，通过元代理模型对多个任务的适应性和知识共享进行优化。
ID: 2503.08301v2•来源: arxiv•发布时间: 2025-03-13
Large Language Model as Meta-Surrogate for Data-Driven Many-Task Optimization: A Proof-of-Principle Study
作者: Xian-Rong Zhang, Yue-Jiao Gong, Jun Zhang
研究方向: 数据驱动多任务优化与大型语言模型
本文研究了利用大型语言模型（LLM）作为元代理，以辅助数据驱动多任务优化（DDEA）的方法。该方法通过在元代理中结合任务元数据和决策变量，实现了对多个任务的高效知识共享和适应新任务的能力。
ID: 2503.08301v1•来源: arxiv•发布时间: 2025-03-12
D3PO: Preference-Based Alignment of Discrete Diffusion Models
作者: Umberto Borso, Davide Paglieri, Jude Wells, Tim Rocktäschel
研究方向: 离散扩散模型与偏好优化
该研究提出了一种名为Discrete Diffusion DPO (D3PO)的新方法，用于对离散扩散模型进行偏好优化。D3PO基于Direct Preference Optimization (DPO)框架，通过使用偏好数据直接微调生成过程，同时保持对参考分布的保真度。
ID: 2503.08295v1•来源: arxiv•发布时间: 2025-03-12