作者: Gonzalo Mancera, Daniel de Alcala, Julian Fierrez, Ruben Tolosana, Aythami Morales
研究方向: 自然语言处理（NLP）与机器学习模型隐私保护
本文研究如何使用基于梯度的成员推理测试（gMINT）来检测特定文本是否被用于训练语言模型。该方法通过分析模型在训练过程中对数据样本的梯度反应，来识别数据样本是否属于训练集。
作者: Yannick Oswald
研究方向: 模拟乌托邦：通过模拟和智能代理实现民主化的未来
本文提出了一种新的研究议程，名为“模拟乌托邦”，旨在通过计算机模拟探索替代经济和政治系统，研究自下而上的集体决策在创新环境中的本质。文章重点关注公民大会和民主企业这两种民主决策系统，并讨论了现代模拟和人工智能方法如何帮助我们理解这些挑战。
作者: Shuai Tang, Jiachao Wu, Ning Zhou
研究方向: 人工智能与逻辑学交叉领域，特别是论证框架（AF）与命题逻辑系统（PLS）之间的关系研究
该论文将论证框架（AF）编码为不同命题逻辑系统中的逻辑公式，研究了AF的模型与命题逻辑系统中的编码公式的模型之间的关系，包括Dung的经典语义和Gabbay的等式语义。论文补充了将AF编码到二元命题逻辑系统中的正则编码函数的证明，并将AF编码到三值命题逻辑系统和模糊命题逻辑系统中，探讨了模型之间的关系。
作者: Jakub Growiec, Klaus Prettner
研究方向: 人工智能（AI）安全与伦理，以及经济影响评估
本文研究了可变革性人工智能（TAI）的潜在影响，包括其对人类生存和经济增长的正面和负面效应。文章分析了AI接管后可能出现的不同情景，评估了其概率和与之相关的生存风险和经济效益，并强调了在TAI开发前进行AI安全和AI对齐研究的重要性。
作者: Yiting Mao, Dajun Tao, Shengyuan Zhang, Tian Qi, Keqin Li
研究方向: 智能机器人目标识别
本文针对智能机器人在复杂环境中对无序目标进行识别的难题，提出了一种基于强化学习的智能机器人无序目标识别方法。该方法首先利用双边滤波算法对采集到的目标图像进行处理，分解为低光照图像和反射图像，然后分别对这两部分图像进行压缩和增强处理，最后融合两部分图像生成新的图像。在此基础上，将深度学习与强化学习算法深度融合，将增强后的目标图像输入到深度强化学习模型中进行训练，从而实现智能机器人对无序目标的快速、准确识别。
作者: Haoran Xu, Peixi Peng, Guang Tan, Yiqian Chang, Yisen Zhao, Yonghong Tian
研究方向: 自动驾驶与三维环境建模
该研究提出了一种名为T[3]Former的新四维占用世界模型，用于自动驾驶中的环境建模和运动规划。该模型通过压缩3D占用数据，提取多尺度时间运动特征，并使用自回归方法迭代预测未来的占用状态和运动轨迹。
作者: Weicheng He, Changshun Wu, Chih-Hong Cheng, Xiaowei Huang, Saddek Bensalem
研究方向: 目标检测中的过拟合问题及分布外检测技术
该研究针对YOLO系列目标检测模型在处理分布外（OoD）样本时容易产生幻觉（过度自信的预测）的问题，提出了一种改进的OoD检测方法，旨在减少检测中的幻觉误差。
作者: Hao Zhou, Guergana Savova, Lijing Wang
研究方向: 自然语言处理（NLP）
本研究探讨了随机种子在微调和评估大型语言模型（LLM）性能中的影响，通过分析宏观数据和微观数据，揭示了随机种子对模型性能的潜在影响。
作者: Gabriella Waters, Phillip Honenberger
研究方向: 人工智能与机器学习中的偏见问题
本文通过分析人工智能系统中的偏见，提出了将偏见视为“对称性标准违反”的观点，并区分了三种主要的偏见类型：错误偏见、不平等偏见和过程偏见。作者进一步探讨了在不同AI开发和应用阶段，这些偏见可能带来的影响，以及如何评估和应对这些偏见。
作者: Yubo Zhao, Qi Wu, Yifan Wang, Yu-Wing Tai, Chi-Keung Tang
研究方向: 人工智能，机器学习，路径规划，动态导航
该研究主要探索了大型语言模型（LLM）在动态环境中进行路径规划和动态导航的能力。研究人员构建了一个基于LLM的导航系统，该系统可以处理多智能体协调、动态碰撞解决和复杂场景的路径规划。