作者: Ragib Amin Nihal, Benjamin Yen, Runwu Shi, Kazuhiro Nakadai
研究方向: 海洋生态监测与生物声学
本研究探讨了使用多重实例学习（MIL）在长时程水下声学记录中进行分析的有效性，同时减少对详细时间标注的依赖。提出了一种名为DSMIL-LocNet的模型，用于鲸鱼叫声检测和定位，该模型仅使用袋级别的标签。
作者: Ahmad Faraz Khan, Azal Ahmad Khan, Anas Mohamed, Haider Ali, Suchithra Moolinti, Sabaat Haroon, Usman Tahir, Mattia Fazzini, Ali R. Butt, Ali Anwar
研究方向: 人工智能驱动的DevOps自动化与云管理
该研究提出了一种名为LADs的基于大型语言模型（LLM）的框架，旨在解决云配置和部署的自动化问题。LADs通过结合多种优化技术，如指令提示、检索增强生成、少量学习、思维链和反馈式提示链，实现自动化云管理，确保配置的准确性和效率。
作者: Peijie Wang, Zhongzhi Li, Fei Yin, Dekang Ran, Chenglin Liu
研究方向: 多模态数学推理
该研究提出了一种名为MV-MATH的基准数据集，用于评估多模态大型语言模型在多视觉情境下的数学推理能力。数据集包含来自真实K-12场景的2009个高质量数学问题，每个问题都整合了多个图像和文本，并进行了详细的注释。通过实验，研究揭示了当前模型在多视觉数学任务中的挑战，并分析了不同模型的性能和错误模式。
作者: Faisal Mohammad, Duksan Ryu
研究方向: 多模态学习在即时软件缺陷预测中的应用
本文提出了一种基于多模态学习的新方法，用于预测自动驾驶软件系统中的即时软件缺陷（JIT-SDP）。该方法利用预训练的Transformer架构处理软件系统数据集的多种数据模态，包括代码特征、变更指标和上下文信息。
作者: Yixuan Li, Xuesong Wang, Tianyi Wang, Qian Liu
研究方向: 自动驾驶安全技术
该研究通过分析自动驾驶汽车(AV)的事故报告，利用最新的NHTSA预碰撞场景分类，自动提取预碰撞场景，并分析了关键场景的特征，以识别影响AV安全的关键因素。
作者: S. Nageeb Ali, Nicole Immorlica, Meena Jagadeesan, Brendan Lucier
研究方向: 数字经济发展与供应链中介
本文研究了在数字经济中，技术创新如何导致中介机构的消失。作者构建了一个包含中介机构、生产技术供应商和消费者的博弈模型，分析了生产技术改进对中介机构生存、社会福利和内容质量的影响。
作者: Qiao Yan, Yuchen Yuan, Xiaowei Hu, Yihan Wang, Jiaqi Xu, Jinpeng Li, Chi-Wing Fu, Pheng-Ann Heng
研究方向: 医学领域视觉语言模型（VLMs）的幻觉问题研究
本文提出了一种名为MedHallTune的大规模基准数据集，旨在评估和缓解医学VLMs中的幻觉问题。MedHallTune包含超过10万张图像和100万条指令对，包括幻觉和非幻觉样本，每个样本都有真实标注。研究人员使用MedHallTune对现有的医学和通用VLMs进行了全面评估，并展示了通过在MedHallTune上进行微调，可以显著提高模型处理幻觉的能力，并提升其在下游视觉问答（VQA）任务上的零样本性能。
作者: Yuko Nakagi, Keigo Tada, Sota Yoshino, Shinji Nishimoto, Yu Takagi
研究方向: 人工智能与神经科学交叉领域
本研究通过分析大型语言模型（LLMs）的学习动态，揭示了LLMs在训练过程中出现的三个阶段性的相变现象，并从神经科学的角度对这种现象进行了深入解释。
作者: Tianyi Zeng, Tianyi Wang, Junfeng Jiao, Xinbo Chen
研究方向: 车辆状态估计与机器学习
本文提出了一种基于阻尼特性的贝叶斯物理信息神经网络（Damper-B-PINN），用于解决多输入多输出（MIMO）系统中车辆状态估计的挑战。该方法结合了物理信息、贝叶斯方法和阻尼特性，以提高估计的准确性和鲁棒性。
作者: Seyed Pouyan Mousavi Davoudi, Alireza Shafiee Fard, Alireza Amiri-Margavi
研究方向: 大型语言模型（LLMs）在复杂概率推理任务中的协作和验证
本文研究多个LLMs在没有明确正确答案的情况下，如何通过协作生成和回答复杂的概率问题。该研究旨在探索模型间的共识如何增强回答的可靠性，并作为评估生成问题质量的替代方案。实验使用了GPT-4-0125-preview、Meta-LLaMA-3-70B-Instruct、Claude-3-Opus和Gemini-1.5-Flash等LLMs，并使用统计方法（如卡方检验、Fleiss' Kappa和置信区间分析）来量化共识和一致性。