作者: Daichi Otsuka, Shinichi Mae, Ryosuke Yamada, Hirokatsu Kataoka
研究方向: 三维点云实例分割与生成模型
该研究提出了一种基于生成模型（Point-E）的3D点云实例分割模型预训练方法，通过使用3D合成数据来扩展3D场景数据集，并在此基础上进行模型训练，以提高3D点云实例分割的准确性。
作者: Saab Mansour, Leonardo Perelli, Lorenzo Mainetti, George Davidson, Stefano D'Amato
研究方向: 电子商务领域的人机行为模拟与数据分析
该研究提出了PAARS框架，通过利用LLM驱动的代理来模拟人类购物行为，并通过个体和群体层面的对齐套件确保其可靠性。该框架通过从匿名历史购物数据中自动挖掘角色，为代理配备零售特定工具来模拟购物会话，并引入了一个新颖的对齐套件来衡量人类和购物代理在群体（即人口）层面的分布差异。
作者: Abdul Sittar, Dunja Mladenic, Alenka Gucek, Marko Grobelnik
研究方向: 新闻传播分析，信息传播障碍研究
本文介绍了BAR-Analytics，一个基于Web的开源平台，用于分析新闻在地理、经济、政治和文化边界上的传播。该平台结合了多种分析方法，包括传播分析、趋势分析、分层主题建模和情感分析，以揭示不同冲突中新闻报道的差异。
作者: Karim Radouane, Hanane Azzag, Mustapha lebbah
研究方向: 计算机视觉与自然语言处理交叉领域，专注于遥感图像的视觉定位和指代表达理解（REC）。
提出了一种名为MB-ORES的多分支对象推理器，用于遥感图像的视觉定位。该框架结合了目标检测（OD）和视觉定位（VG），通过细调一个开放集目标检测器，并利用指代表达数据进行部分监督学习，以支持传统的OD并建立VG任务的直观先验。
作者: Nitay Alon, Joseph Barnby, Reuth Mirsky, Stefan Sarkadi
研究方向: 人工智能与认知科学中的理论思维（ToM）研究
本文研究了人工智能（AI）中的理论思维（ToM）能力，提出了一种名为ToM and GeRRI的模型，该模型在Sally-Anne测试和Smarties任务中表现优异，超越了3岁儿童的测试标准。
作者: Seungjun Lee, Gim Hee Lee
研究方向: 计算机视觉与图像处理
该研究提出了一种名为DiET-GS的框架，用于从模糊的多视图图像中重建清晰的3D场景。该方法结合了基于事件的相机和扩散模型，以有效地去除运动模糊并恢复细节和颜色。
作者: Abdul Sittar, Luka Golob, Mateja Smiljanic
研究方向: 合成新闻生成与假新闻分类
本研究探索了通过基于事实的操纵使用大型语言模型（LLM）生成和评估合成假新闻。提出了一种新方法，从真实文章中提取关键事实，修改它们，并重新生成内容以模拟假新闻，同时保持连贯性。为了评估生成内容的质量，提出了一组评估指标——连贯性、差异性和正确性。研究还调查了合成数据在假新闻分类中的应用，比较了传统的机器学习模型和基于transformer的模型（如BERT）。实验表明，transformer模型，特别是BERT，有效地利用合成数据进行假新闻检测，显示出使用较小比例合成数据的改进。此外，研究发现，事实验证功能，专注于识别事实不一致性，在区分合成假新闻方面提供了最有希望的结果。
作者: Abdul Sittar, Simon Münker, Fabio Sartori, Andreas Reitenbach, Achim Rettinger, Michael Mäs, Alenka Guček, Marko Grobelnik
研究方向: 社交媒体中的用户互动与政治讨论模拟
本研究通过构建一个基于代理的模拟模型，模拟德国Twitter平台上政治讨论的用户互动，并分析历史语境、资源限制和奖励机制对用户参与度和AI生成回应的影响。
作者: Jingxian Xu, Mengyu Zhou, Weichang Liu, Hanbing Liu, Shi Han, Dongmei Zhang
研究方向: 自然语言处理（NLP）和大型语言模型（LLM）推理优化
提出了一种名为TwT（Thinking without Tokens）的方法，通过结合习惯推理蒸馏和多教师指导，在保持高性能的同时，降低LLM推理的计算成本。
作者: Shuoming Zhang, Jiacheng Zhao, Ruiyuan Xu, Xiaobing Feng, Huimin Cui
研究方向: 大型语言模型（LLM）安全
该研究主要关注LLM的安全问题，特别是针对LLM中约束解码技术的潜在安全漏洞。研究者们揭示了通过结构化生成来绕过LLM安全机制的新攻击方法，并提出了相应的防御策略。