作者: Xinyu Nan, Meng He, Zifan Chen, Bin Dong, Lei Tang, Li Zhang
研究方向: 人工智能辅助的腹部CT体成分分析在胃肠道癌症管理中的应用
该研究旨在开发一个基于人工智能的自动化工具，用于分析腹部CT扫描，以识别和分割肌肉、皮下脂肪和内脏脂肪，从而帮助改善胃肠道癌症的管理和治疗。
作者: Junyeong Park, Seogyeong Jeong, Seyoung Song, Yohan Lee, Alice Oh
研究方向: 跨文化仇恨言论监测与内容审核
本文提出了一种名为LLM-C3MOD的人机协作系统，用于跨文化仇恨言论监测。该系统通过RAG增强的文化背景注释、基于LLM的初步监测和针对LLM不一致案例的针对性人工监测三个步骤，有效地辅助非母语审核员进行仇恨言论监测。
作者: Haicheng Liao, Hanlin Kong, Bonan Wang, Chengyue Wang, Wang Ye, Zhengbing He, Chengzhong Xu, Zhenning Li
研究方向: 自动驾驶中的运动预测与大型语言模型（LLM）应用
该研究提出了一种名为CoT-Drive的新的运动预测方法，通过结合大型语言模型（LLMs）和思维链（CoT）提示方法来提高预测准确性。该方法利用教师-学生知识蒸馏策略，将LLMs的高级场景理解能力转移到轻量级语言模型（LMs），确保CoT-Drive在边缘设备上实时运行，同时保持全面的场景理解和泛化能力。
作者: Jimin Sohn, David R. Mortensen
研究方向: 低资源语言下的零样本命名实体识别
该研究旨在通过减少不同语言之间国际音标（IPA）转录的音素表示差异，使在资源丰富的语言上训练的模型能够有效地应用于低资源语言。研究提出了一个名为CONLIPA的数据集，并使用该数据集提出了一种跨语言IPA对比学习方法（IPAC），以减少具有相似发音的高资源语言之间的音素表示差距。
作者: Jacob Swindell, Madeleine Darbyshire, Marija Popovic, Riccardo Polvara
研究方向: 无人机农业应用与精准农业
本文研究了使用无人机进行精准农业中的杂草分布图制作，通过比较五种不同的离散高斯过程表示方法，评估了它们在杂草分布图制作中的性能。
作者: Bingchen Liu, Jingchen Li, Naixing Xu, Xin Li
研究方向: 多模态知识图谱嵌入与零样本学习
该论文提出了一种名为ZSLLM的零样本学习框架，用于多模态知识图谱的嵌入表示学习。该框架利用大型语言模型（LLMs）的能力，通过文本提示来增强LLMs的推理能力，实现不同模态之间未见类别的语义信息传递，从而提升未见类别在多模态知识图谱中的嵌入表示学习效果。
作者: L. Thomas van Binsbergen, Marten C. Steketee, Milen G. Kebede, Heleen L. Janssen, Tom M. van Engers
研究方向: 数据隐私与保护，分布式系统，法律与规范推理
本文针对欧盟通用数据保护条例（GDPR）在分布式系统中处理个人数据的合规性问题，提出了一种基于GDPR的自动规范推理方法。该方法通过定义形式化的本体和语义，实现了对数据处理活动合法性的自动论证，并通过扩展XACML架构标准，将规范推理集成到现有的分布式数据处理系统中。
作者: Ming Wang, Fang Wang, Minghao Hu, Li He, Haiyang Wang, Jun Zhang, Tianwei Yan, Li Li, Zhunchen Luo, Wei Luo, Xiaoying Bai, Guotong Geng
研究方向: 长文本生成（Long-form Article Generation, LFAG）
DeFine项目旨在解决长文本生成中的挑战，如逻辑一致性、主题覆盖范围和叙事连贯性。该项目提出了一种新的长文本生成数据集DeFine，它通过层次分解策略和细粒度注释来提高生成的深度和质量。
作者: Longchao Da, Tiejin Chen, Zhuoheng Li, Shreyas Bachiraju, Huaiyuan Yao, Xiyang Hu, Zhengzhong Tu, Yue Zhao, Dongjie Wang, Xuanyu, Zhou, Ram Pendyala, Benjamin Stabler, Yezhou Yang, Xuesong Zhou, Hua Wei
研究方向: 交通运输规划与生成式人工智能（GenAI）的融合应用
本文调查了生成式人工智能在交通运输规划中的应用，构建了一个综合框架，并分析了其在不同交通规划任务和计算技术方面的应用。
作者: Jiaming Song, Linqi Zhou
研究方向: 生成式预训练算法与推理时间缩放
本文研究了生成式预训练算法在推理时间上的缩放效率，提出了一个以推理时间优先的视角，并以此为基础，探讨了如何通过改进推理过程来提升生成式预训练算法的性能。