作者: Pedro Gimenes, Zeyu Cao, Jeffrey Wong, Yiren Zhao
研究方向: 大型语言模型（LLM）在推理任务中的应用
本文提出了一种名为ARIES的多智能体架构，旨在利用大型语言模型（LLM）在推理任务中的能力。ARIES通过将思维图转换视为马尔可夫决策过程中的动作，实现政策智能体来驱动推理智能体的有效动作策略。
作者: Pedro Gimenes, Yiren Zhao, George Constantinides
研究方向: 图神经网络加速器设计与实现
本文研究了图神经网络（GNN）在非欧几里得数据上的性能，并针对GNN在FPGA上的加速提出了AMPLE（Accelerated Message Passing Logic Engine）加速器。AMPLE通过事件驱动编程、混合精度计算和节点预取等技术，实现了对GNN的高效加速。
作者: Baiting Luo, Ava Pettet, Aron Laszka, Abhishek Dubey, Ayan Mukhopadhyay
研究方向: 强化学习与规划
本文研究了在具有高维连续动作空间和随机环境的在线强化学习问题，提出了一种名为 Latent Macro Action Planner (L-MAP) 的方法，通过学习时间扩展的宏动作来降低决策的复杂性。
作者: Jiafeng Xiong, Ahmad Zareie, Rizos Sakellariou
研究方向: 时间网络中的链接预测（TLP）
本文对时间网络中的链接预测进行了全面综述，涵盖了时间网络的基本概念、链接预测的挑战、代表性的方法和未来研究方向。
作者: Léopold Maytié, Roland Bertin Johannet, Rufin VanRullen
研究方向: 人工智能与认知神经科学交叉领域，聚焦于基于世界模型的多模态强化学习
该研究提出了一种结合全局工作空间（Global Workspace, GW）理论与世界模型（World Model）的强化学习（RL）方法，旨在通过模拟人类大脑中的多模态信息整合过程，提高强化学习算法的样本效率和鲁棒性。
作者: Jong Ho Jhee, Alberto Megina, Pacôme Constant Dit Beaufils, Matilde Karakachoff, Richard Redon, Alban Gaignard, Adrien Coulet
研究方向: 医疗预测建模与知识图谱嵌入
该研究旨在通过知识图谱嵌入技术，预测颅内动脉瘤患者的临床结局。研究者构建了一个合成但具有现实性的数据集，并比较了基于表格数据和基于图表示的数据在预测临床结局方面的性能。
作者: Nanshan Deng, Weitao Zhou, Bo Zhang, Junze Wen, Kun Jiang, Zhong Cao, Diange Yang
研究方向: 自动驾驶，强化学习
针对自动驾驶系统在不同地区表现差异大的问题，提出了一种动态局部增强规划器（DLE），通过结合本地驾驶数据和基本规划器来提高自动驾驶系统的可扩展性和适应性，而无需显著扩大规划器的大小。
作者: Vincent C. Müller
研究方向: 分析哲学、语言哲学、认识论、科学哲学
本文分析了Hilary Putnam的哲学思想，特别是他的语言哲学、认识论和科学哲学观点，重点关注他对实证主义、现实主义和内部现实主义的批判和贡献。
作者: Ruta Binkyte, Ivaxi Sheth, Zhijing Jin, Muhammad Havaei, Bernhardt Schölkopf, Mario Fritz
研究方向: 可信机器学习和基础模型
本文探讨了将因果方法整合到机器学习中，以平衡可信机器学习和基础模型中多个竞争目标之间的权衡，包括公平性、隐私、鲁棒性、准确性和可解释性。
作者: Mattia Birti, Francesco Osborne, Andrea Maurino
研究方向: 金融科技与可持续金融
本研究旨在优化大型语言模型（LLM）在识别金融文本中与ESG活动相关的文本方面的能力。研究通过在包含原创和合成数据的组合上进行微调，显著提高了模型的分类准确率。