作者: Sewoong Lee, Adam Davies, Marc E. Canby, Julia Hockenmaier
研究方向: 稀疏自编码器（Sparse Autoencoders）在语言模型可解释性中的应用与设计
本文研究了稀疏自编码器（SAEs）在语言模型可解释性中的应用，提出了一种新的理论框架和方法，旨在解决现有SAEs中k参数选择缺乏理论依据的问题。该方法基于线性表示假设（LRH）和叠加假设（SH），通过近似特征激活（AFA）和ε-准正交性来评估和设计SAEs。
作者: Yizhou Huang, Yihua Cheng, Kezhi Wang
研究方向: 行人轨迹预测
本文提出了一种基于自监督运动一致性的行人轨迹预测框架，该框架能够显式地建模位置、速度和加速度，通过特征注入和自监督运动一致性机制来提高位置预测的准确性。
作者: Yuelei Li, Hyunjin Kim, Fangneng Zhan, Ri-Zhao Qiu, Mazeyu Ji, Xiaojun Shan, Xueyan Zou, Paul Liang, Hanspeter Pfister, Xiaolong Wang
研究方向: 跨模态学习与3D场景音频生成与定位
本文提出了一种名为Visual Acoustic Fields的框架，用于在3D场景中整合视觉和听觉信号。该框架利用3D高斯分层（3DGS）来表示场景，并将其与冲击声音相关联。该框架实现了两个关键任务：基于视觉条件的音频生成和声音定位。
作者: Yixuan Li, Yu Tian, Yipo Huang, Wei Lu, Shiqi Wang, Weisi Lin, Anderson Rocha
研究方向: AI图像生成检测与取证
本文提出了一种名为FakeScope的多模态专家模型，用于透明地检测AI生成的图像。该模型不仅能够高精度地识别AI合成的图像，还能提供丰富的、可解释的、基于查询的取证洞察。
作者: Umberto Michelucci, Francesca Venturini
研究方向: 机器学习在高风险领域的可靠性评估
本文提出了一种新的统计框架，用于评估机器学习模型在极端错误概率下的可靠性。该框架基于极值理论（EVT），能够通过分析模型性能的尾部分布来估计最坏情况下的失败概率。
作者: Zhengren Wang, Rui Ling, Chufan Wang, Yongan Yu, Zhiyu Li, Feiyu Xiong, Wentao Zhang
研究方向: 可维护的代码生成与软件工程
本文研究了在动态需求下提高代码可维护性的问题。作者提出了MaintainCoder，一个结合瀑布模型、设计模式和多智能体协作的代码生成框架，以及MaintainBench，一个评估代码可维护性的动态基准。
作者: Lorenzo Tronchin, Tommy Löfstedt, Paolo Soda, Valerio Guarrasi
研究方向: 医学图像生成与GAN集成
该研究旨在解决医学图像生成中GAN（生成对抗网络）面临的挑战，如模式崩溃和真实数据分布覆盖不足。通过使用GAN集成方法，该研究提出了一种选择最优GAN集合并针对医学数据生成的方法，以实现高保真度、多样性和高效性。
作者: Dun Yuan, Hao Zhou, Di Wu, Xue Liu, Hao Chen, Yan Xin, Jianzhong, Zhang
研究方向: 增强大型语言模型（LLM）在电信领域的应用
本文提出了一种结合知识图谱（KG）和检索增强生成（RAG）技术的框架，以提高LLM在电信领域的性能。该框架利用知识图谱捕获电信领域的信息，并通过RAG技术使LLM能够动态访问和利用最相关的知识。
作者: Run Yang, Runpeng Dai, Siran Gao, Xiaocheng Tang, Fan Zhou, Hongtu Zhu
研究方向: 交通预测与共享出行平台
本文研究了在共享出行平台中，如何对细粒度的起止点矩阵进行时空预测，以优化政策设计和资源分配。针对数据稀疏、空间复杂度高和语义地理依赖性等问题，提出了一种名为OD-CED的新型预测模型。
作者: Qiyuan Zhang, Fuyuan Lyu, Zexu Sun, Lei Wang, Weixu Zhang, Zhihan Guo, Yufei Wang, Irwin King, Xue Liu, Chen Ma
研究方向: 大型语言模型推理时缩放（TTS）
本文提出了一种针对大型语言模型（LLMs）推理时缩放（TTS）的统一、多维框架，该框架从四个核心维度进行结构化分析：要缩放什么（What to Scale）、如何缩放（How to Scale）、在哪里缩放（Where to Scale）以及缩放效果如何（How Well to Scale）。通过对现有方法、应用场景和评估方面的广泛审查，本文提供了对TTS领域的系统理解，并强调了各种技术在整个TTS环境中的独特功能角色。