作者: Jianqi Zhang, Jingyao Wang, Xingchen Shen, Wenwen Qiang
研究方向: 时间序列预测（TSF）与逻辑推理的结合
本文研究了如何通过逻辑推理来增强时间序列预测（TSF）的性能。针对现有基于Transformer的TSF方法在处理不同预测场景时，对token依赖的有效性差异忽略的问题，本文从逻辑角度出发，提出了Attention Logic Regularization（Attn-L-Reg）方法，旨在通过引导模型学习有效的token依赖，从而提高预测性能。
作者: Wanjing Huang, Tongjie Pan, Yalan Ye
研究方向: 机器人任务规划与安全感知
本文提出了一种基于Graphormer的风险感知任务规划框架，该框架结合了LLM的决策能力和结构化安全建模，旨在解决现有机器人任务规划方法在安全感知和适应性方面的不足。
作者: Mengzhe Hei, Zhouran Zhang, Qingbao Liu, Yan Pan, Xiang Zhao, Yongqian Peng, Yicong Ye, Xin Zhang, Shuxin Bai
研究方向: AI for materials
本文针对科学文献中多组元提取的挑战，提出了一种结合指针网络和增强注意力机制的新型框架，以提高从多主元素合金中提取机械性能信息的准确性。
作者: Zhuowen Zheng, Yain-Whar Si, Xiaochen Yuan, Junwei Duan, Ke Wang, Xiaofan Li, Xinyuan Zhang, Xueyuan Gong
研究方向: 人脸识别，深度学习，注意力机制
针对大规模人脸识别数据集训练时FC层参数过多导致的计算资源消耗大、训练困难等问题，提出了一种新的注意力全连接层（AttFC），通过注意力机制动态生成和存储类别中心，减少参数量，降低计算资源需求。
作者: Somayeh Farahani, Marjaneh Hejazi, Antonio Di Ieva, Emad Fatemizadeh, Sidong Liu
研究方向: 医学影像分析与脑肿瘤诊断
提出了一种名为MTS-UNET的多任务学习模型，用于脑肿瘤的分割、分子亚型和病理分级。该模型基于预训练的SWIN-UNETR架构，并结合了肿瘤感知特征编码（TAFE）和跨模态差异（CMD）模块，以提高模型的性能和可解释性。
作者: Wei Dai, Alan Luo, Zane Durante, Debadutta Dash, Arnold Milstein, Kevin Schulman, Ehsan Adeli, Li Fei-Fei
研究方向: 视频问答（Video Question Answering, VideoQA）
本文提出了一种名为MOMA-QA的视频问答数据集，旨在解决现有视频问答数据集在时空粒度、空间关系推理和实体中心查询方面的不足。同时，提出了一个名为SGVLM的视频语言模型，该模型结合了场景图预测器、高效的帧检索器和预训练的大型语言模型，以实现细粒度的视频理解。
作者: Yuchen Mao, Hongwei Li, Yinyi Lai, Giorgos Papanastasiou, Peng Qi, Yunjie Yang, Chengjia Wang
研究方向: 医学图像分割、半监督学习、知识挖掘、大模型与小模型交互
该研究提出了一种通过知识挖掘从大型模型（如SAM）中获取知识来提升小型、本地部署的深度学习模型（如U-Net++）在医学图像分割任务上的性能的方法。该方法利用了SAM的广泛视觉知识，通过将SAM在未标记图像上的输出转换为提示信息，来扩展U-Net++模型的能力，并迭代地改进SAM的预测，以适应特定的医学分割任务。
作者: Murtaza Dalal
研究方向: 机器人学习，机器人控制，模拟与现实
本文探讨了如何构建能够泛化的机器人系统，重点关注将模块化与大规模学习相结合以实现通用机器人控制。
作者: Julian Alfredo Mendez, Timotheus Kampik
研究方向: 多智能体系统（MAS）的工程与形式化验证
本文研究了如何使用Soda语言来验证多智能体系统。Soda是一种支持函数式和面向对象编程的语言，可以编译为Scala（主流编程语言）和Lean（形式化验证工具）。通过这种方式，Soda可以用于实现MAS，并支持与主流软件生态系统的集成以及使用Lean进行形式化验证。
作者: Dhawal Gupta, Adam Fisch, Christoph Dann, Alekh Agarwal
研究方向: 强化学习与人类反馈（RLHF）
本文针对强化学习从人类反馈（RLHF）中存在的过度优化问题，提出了一种基于悲观主义的策略优化方法，以解决由于偏好数据有限导致的过度优化现象。