作者: Zhenlong Liu, Wenyu Jiang, Feng Zhou, Hongxin Wei
研究方向: 机器学习，隐私保护，成员推理攻击
本文提出了一种基于贝叶斯神经网络的成员推理攻击方法（BMIA），旨在通过贝叶斯推理进行条件攻击，以估计特定数据点是否被用于给定模型的训练。该方法通过拉普拉斯近似将参考模型转换为贝叶斯神经网络，从而直接估计条件得分分布。
作者: Phu-Vinh Nguyen, Minh-Nam Tran, Long Nguyen, Dien Dinh
研究方向: 越南信息检索与自然语言处理
本文旨在推动越南信息检索（IR）领域的研究，通过构建一个新的基准（VCS）和改进的训练目标函数，提高越南嵌入语言模型在检索和重排序任务中的性能。
作者: Xiangru Tang, Daniel Shao, Jiwoong Sohn, Jiapeng Chen, Jiayi Zhang, Jinyu Xiang, Fang Wu, Yilun Zhao, Chenglin Wu, Wenqi Shi, Arman Cohan, Mark Gerstein
研究方向: 医疗推理和智能辅助诊断
本文介绍了MEDAGENTSBENCH，一个针对复杂医疗推理任务而设计的基准，旨在评估大型语言模型（LLMs）在医疗推理中的能力。通过对多个医疗数据集的分析和实验，评估了不同模型和推理方法在复杂医疗推理任务中的性能，并分析了性能、成本和推理时间之间的关系。
作者: Dylan J. Foster, Zakaria Mhammedi, Dhruv Rohatgi
研究方向: 自然语言处理、强化学习、生成模型
本文研究了在强化学习中利用预训练语言模型进行高效探索的方法，重点关注线性 softmax 政策参数化，并提出了新的算法和理论界限，以阐明预训练模型在计算高效学习中的关键作用。
作者: Sargam Yadav, Asifa Mehmood Qureshi, Abhishek Kaushik, Shubham Sharma, Roisin Loughran, Subramaniam Kazhuparambil, Andrew Shaw, Mohammed Sabry, Niamh St John Lynch, . Nikhil Singh, Padraic O'Hara, Pranay Jaiswal, Roshan Chandru, David Lillis
研究方向: 软件工程与人工智能
本文研究大型语言模型（LLM）在软件工程中的应用，通过调查11位专家的意见，分析LLM在代码生成、代码审查、自然语言理解、质量保证、预测分析和协作软件开发等方面的应用和潜在问题。
作者: Lucas Farndale, Paul Henderson, Edward W Roberts, Ke Yuan
研究方向: 计算机视觉，自监督学习，高内容成像
本文提出了一种名为SpliCER的新的自监督学习架构，用于高内容成像。该架构将图像分割成多个组件，并从每个组件中提取信息，以指导模型学习更微妙和复杂的特征，同时不牺牲简单特征。SpliCER可以与任何自监督损失函数兼容，并且可以集成到现有方法中而无需修改。
作者: Jaewook Lee, Jeongah Lee, Wanyong Feng, Andrew Lan
研究方向: 利用大型语言模型（LLMs）自动生成数学图表以辅助数学教育
本文探讨了使用LLMs自动生成数学问题中的图表，并通过中间SVG表示来伴随文本提示。研究旨在解决三个问题：如何自动生成数学图表、SVG是否是有效的中间表示以及LLMs生成准确SVG图表所需的提示策略和格式。
作者: Junkang Wu, Kexin Huang, Xue Wang, Jinyang Gao, Bolin Ding, Jiancan Wu, Xiangnan He, Xiang Wang
研究方向: 机器学习，自然语言处理，偏好优化
本文提出了一种名为RePO的基于ReLU的偏好优化算法，旨在解决大型语言模型（LLM）与人类偏好对齐的问题。该算法通过简化SimPO算法，消除了超参数β，并采用ReLU激活函数，实现了一种更高效、更鲁棒的偏好优化方法。
作者: Kexin Di, Xiuxing Li, Yuyang Han, Ziyu Li, Qing Li, Xia Wu
研究方向: 计算机视觉，少样本图像分类，生物启发式方法
本文提出了一种名为SCAM-Net的少样本图像分类方法，该方法受人类大脑的通用优化系统巩固机制启发，通过构建海马体-新皮层双网络结构，模拟系统巩固过程，以解决少样本场景下特征识别困难的问题。
作者: Ruidong Chen, Honglin Guo, Lanjun Wang, Chenyu Zhang, Weizhi Nie, An-An Liu
研究方向: 计算机视觉，文本到图像模型，恶意内容消除
本文提出了一种名为TRCE的方法，旨在解决文本到图像扩散模型中恶意概念的可靠消除问题。该方法通过两阶段消除策略，在可靠消除和知识保留之间取得了良好的平衡。