作者: Guolin Yin, Junqing Zhang, Yuan Ding, Simon Cotton
研究方向: 物联网（IoT）安全与无线通信
本文研究了在物联网设备中，利用射频指纹识别（RFFI）技术进行身份验证，并针对低信噪比（SNR）环境下RFFI性能退化的问题，提出了一种基于扩散模型（DM）的降噪方法，以恢复RFFI特征。
作者: Qingyuan Liang, Zhao Zhang, Zeyu Sun, Zheng Lin, Qi Luo, Yueyi Xiao, Yizhou Chen, Yuqun Zhang, Haotian Zhang, Lu Zhang, Bin Chen, Yingfei Xiong
研究方向: 大型语言模型（LLMs）在代码生成和语义理解方面的应用
本文研究了语法在LLMs中的重要性，特别是对于代码生成任务。研究者开发了一种名为GrammarCoder的模型，它使用语法规则来增强代码表示，从而提高代码生成和语义理解的准确性。
作者: Nicolas Boizard, Hippolyte Gisserot-Boukhlef, Duarte M. Alves, André Martins, Ayoub Hammal, Caio Corro, Céline Hudelot, Emmanuel Malherbe, Etienne Malaboeuf, Fanny Jourdan, Gabriel Hautreux, João Alves, Kevin El-Haddad, Manuel Faysse, Maxime Peyrard, Nuno M. Guerreiro, Patrick Fernandes, Ricardo Rei, Pierre Colombo
研究方向: 自然语言处理 (NLP) 与多语言编码器
该研究提出了 EuroBERT，一种针对欧洲语言和广泛使用的全球语言的多语言编码器家族。EuroBERT 通过结合最新的架构改进和大规模多语言数据集，在检索、回归和分类等任务中取得了优异的性能。
作者: Haotian Hu, Jingwei Xu, Fanyi Wang, Toyota Li, Yaonong Wang, Laifeng Hu, Zhiwang Zhang
研究方向: 自动驾驶环境感知与高精度地图重建
本文提出了FastMap，一种基于Transformer架构的在线高精度地图重建框架，旨在提高重建效率和准确性。FastMap通过减少解码器冗余、优化查询初始化和引入几何约束损失函数，实现了快速且精确的地图重建。
作者: Ziran Zhou, Guanyu Gao, Xiaohu Wu, Yan Lyu
研究方向: 个性化联邦学习
本文提出了一种名为pFedGAT的个性化联邦学习方法，旨在解决联邦学习中由于数据分布差异导致的模型性能问题。该方法利用图注意力网络（GAT）动态调整客户端之间的协作关系，并通过端到端优化策略实现模型的个性化。
作者: Noah Mamie, Susie Xi Rao
研究方向: 人工智能、多智能体系统、集体智能
本文提出了一种名为“蜂群智能社会”（SOHM）的框架，通过多个AI基础模型之间的交互，模拟自然界中动物群体的行为，以实现集体智能。该框架旨在解决人工智能基础模型的可访问性和可扩展性问题，并通过多智能体系统来提高集体推理能力。
作者: Taco Cohen, David W. Zhang, Kunhao Zheng, Yunhao Tang, Remi Munos, Gabriel Synnaeve
研究方向: 强化学习与语言模型
本文介绍了Soft Policy Optimization (SPO)，一种用于序列模型策略的软强化学习方法，它可以从任意在线和离线轨迹中学习，且不需要单独的价值模型。SPO在代码竞赛等任务上优于PPO，学习效率更高，内存更高效，并能从离线数据中受益。
作者: Nenad Petrovic, Fengjunjie Pan, Vahid Zolfaghari, Alois Knoll
研究方向: 基于大型语言模型（LLM）的汽车领域元模型构建
该研究提出了一种利用大型语言模型（LLM）自动构建汽车领域特定元模型的方法。该方法基于OpenAI的GPT-4.0o，通过迭代的方式，将汽车工程师提供的需求作为输入，生成Ecore元模型，并使用PlantUML进行可视化。
作者: Weigao Sun, Disen Lan, Tong Zhu, Xiaoye Qu, Yu Cheng
研究方向: 自然语言处理与机器学习
本文介绍了Linear-MoE系统，该系统结合了线性序列建模（LSM）和混合专家（MoE）架构，旨在提高大规模模型的建模和训练效率。
作者: Navdeep Kaur, Lachlan McPheat, Alessandra Russo, Anthony G Cohn, Pranava Madhyastha
研究方向: 人工智能，自然语言处理，神经符号推理
本研究旨在探索如何将符合语言建模（CLM）与答案集编程（ASP）相结合，以提高标准开放权重语言模型在复杂多步推理任务上的性能。研究通过StepGame数据集进行实验，该数据集需要空间推理能力，将CLM应用于从LLM生成ASP程序，并提供了对输出正确性的统计保证。