作者: Osnat Mokryn, Teddy Lazebnik, Hagit Ben Shoshan
研究方向: 时间序列数据分析与异常检测
本文提出了一种名为“通过惊讶度学习”（Learning via Surprisability, LvS）的新方法，用于转换和分析高维时间序列数据。LvS通过量化并优先处理时间序列数据中的异常值，将认知科学中的惊讶度概念与计算方法相结合，从而在保留关键上下文的同时检测异常和变化，为复杂数据集提供新的解释视角。
作者: Yu-Hsi Chen, Chin-Tien Wu
研究方向: 计算机视觉，运动估计，光学流估计
本文提出了一种名为ReynoldsFlow的新型光学流估计方法，该方法基于Reynolds运输定理，旨在解决传统光学流方法在复杂场景中的局限性，如亮度恒定假设、计算需求高、对噪声敏感等问题。
作者: Dimitri von Rütte, Janis Fluri, Yuhui Ding, Antonio Orvieto, Bernhard Schölkopf, Thomas Hofmann
研究方向: 自然语言处理，生成模型，扩散模型
本文提出了一种名为广义插值离散扩散（GIDD）的扩散模型，用于自然语言生成。GIDD通过引入混合噪声和改进的训练目标，提高了模型在文本生成方面的性能，并实现了自我纠错的能力。
作者: Ivan Milev, Mislav Balunović, Maximilian Baader, Martin Vechev
研究方向: 人工智能与机器学习
本文研究了大型语言模型（LLM）在现实世界应用中的工具使用问题，提出了TOOLFUZZ，一种自动测试工具文档的方法，旨在提高LLM代理的可靠性。
作者: Yi Shen, Jian Zhang, Jieyun Huang, Shuming Shi, Wenjing Zhang, Jiangze Yan, Ning Wang, Kai Wang, Shiguo Lian
研究方向: 自然语言处理，大型推理模型，自适应推理
本文提出了 Difficulty-Adaptive Slow-Thinking (DAST) 框架，该框架能够根据问题难度自动调整 Chain-of-Thought (CoT) 的长度。通过引入 Token Length Budget (TLB) 指标来量化问题难度，并利用长度感知奖励塑造和长度偏好优化来实现 DAST。DAST 对简单任务的过长响应进行惩罚，同时鼓励复杂问题的充分推理。
作者: Chao Wang, Weiwei Fu, Yang Zhou
研究方向: 视觉语言模型（VLM）与幻觉减少
本文研究了视觉语言模型（VLM）中幻觉问题，提出了跨时间预测连接（TPC）方法，通过连接不同时间步的logits来增强语义一致性，从而减少幻觉。
作者: Marco Arazzi, Mert Cihangiroglu, Antonino Nocera
研究方向: 联邦学习
该研究提出了一种针对非独立同分布（non-IID）环境下跨数据孤岛联邦学习的隐私保护和鲁棒聚合策略。该策略通过引入类感知梯度掩码，有效解决了联邦学习在非独立同分布数据设置下的性能退化问题，同时提高了隐私保护和鲁棒性。
作者: Narmeen Oozeer, Dhruv Nathawani, Nirmalendu Prakash, Michael Lan, Abir Harrasse, Amirali Abdullah
研究方向: 人工智能安全，大型语言模型
该研究探讨了通过学习映射共享激活空间，在大型语言模型（LLMs）之间转移激活空间干预的可能性。研究主要集中在两个AI安全任务上：后门移除和拒绝有害提示，并引入了一个新的任务，即损坏能力，以测试模型区分有用技能和后门的能力。
作者: Leonardo Kuffo, Elena Krippner, Peter Boncz
研究方向: 向量相似度搜索（Vector Similarity Search）
提出了PDX数据布局，该布局旨在优化向量相似度搜索的性能，特别是通过改进现有维度剪枝算法（如ADSampling和BSA）的效率。
作者: Felix Ocker, Stefan Menzel, Ahmed Sadik, Thiago Rios
研究方向: 计算机辅助设计 (CAD) 与大型语言模型 (LLM) 在工程设计中的应用
该研究提出了一种基于视觉语言模型 (VLM) 的多智能体系统 (MAS)，用于协作设计过程。该系统模仿了工程设计过程中的关键阶段，如需求获取、模型创建、验证和验证，并结合了要求工程师、CAD 工程师和基于视觉的质量保证工程师的智能代理。