作者: Zhang Yuxuan, Li Ruizhe
研究方向: 大型语言模型（LLM）的持续学习和参数高效微调
本文提出了SECURA，一种基于Sigmoid增强的CUR分解低秩自适应（LoRA）的参数高效微调方法，旨在减轻LLM在微调过程中的灾难性遗忘问题，同时提高微调性能。
作者: Pablo Ortega, Eduardo Castelló Ferrer
研究方向: 智能垃圾处理与区块链激励机制
该研究提出了一种名为iTrash的智能垃圾桶系统，通过计算机视觉和基于区块链的激励机制来提高回收效率。该系统通过识别垃圾类型，并提供经济激励（加密货币奖励），使用户更倾向于正确分类垃圾。
作者: Filippo Maria Bianchi, Jakob Grahn
研究方向: 利用深度学习技术进行雪崩监测与分割
本文研究了利用合成孔径雷达（SAR）数据，通过深度学习模型进行雪崩的检测与分割。主要内容包括SAR数据在雪崩监测中的应用，深度学习模型在雪崩检测中的优势，以及不同深度学习模型在雪崩分割中的应用效果。
作者: Zahra Dehghanighobadi, Asja Fischer, Muhammad Bilal Zafar
研究方向: 人工智能与机器学习
该研究探讨了大型语言模型（LLMs）在生成自我生成的反事实解释（SCEs）方面的能力。SCEs是一种特殊的自我解释方法，它通过修改输入来引导模型生成不同的输出，从而提供对模型预测的洞察。
作者: Dahun Shin, Dongyeop Lee, Jinseok Chung, Namhoon Lee
研究方向: 深度学习优化与泛化
该论文提出了一种名为SASSHA的优化算法，旨在解决近似二阶优化方法在深度学习中的泛化问题。SASSHA通过减少解的尖锐度来提高泛化能力，同时稳定地近似Hessian矩阵。
作者: Shan He, Yalong Ma, Tao Song, Yongzhi Jiang, Xinkai Wu
研究方向: 自动驾驶导航，运动和路径规划，智能交通系统
本文提出了一种基于语义时空图的实时时空轨迹规划方法，用于解决复杂城市环境中自动驾驶车辆的轨迹规划问题。该方法通过构建语义时空图，利用感知模块的多模态信息，实现静态和动态障碍物的有效处理，并通过图优化算法生成可行轨迹。
作者: Lucy Farnik, Tim Lawson, Conor Houghton, Laurence Aitchison
研究方向: 机器学习，深度学习，可解释人工智能
本文提出了 Jacobian Sparse Autoencoders (JSAEs)，一种用于发现大型语言模型 (LLMs) 中稀疏计算的新方法。该方法通过优化计算图（Jacobian 矩阵）的稀疏性，旨在更深入地理解 LLMs 的内部计算过程。
作者: Chenhao Gu, Ling Luo, Zainab Razia Zaidi, Shanika Karunasekera
研究方向: 社交媒体中的回音室效应模拟与分析
本研究提出了一种利用大型语言模型（LLM）作为生成代理来模拟社交网络中回音室动态的新框架。该框架结合了意见更新和网络重连行为，通过LLM进行驱动，从而实现具有情境意识和语义丰富性的社交互动模拟。
作者: Jintao Zhang, Chendong Xiang, Haofeng Huang, Jia Wei, Haocheng Xi, Jun Zhu, Jianfei Chen
研究方向: 机器学习，自然语言处理，计算机视觉
本文提出了SpargeAttn，这是一种通用的稀疏和量化注意力机制，旨在加速各种模型（包括语言模型、图像和视频生成模型）的推理过程，同时保持端到端性能。
作者: B. Sun, P. Liò
研究方向: 医学图像分割与深度学习可解释性
该研究提出了一种名为 EU-Nets 的新型 U-Net 变体，旨在提高医学图像分割的准确性和可解释性，同时减少模型参数量。