作者: Chengkun Cai, Haoliang Liu, Xu Zhao, Zhongyu Jiang, Tianfang Zhang, Zongkai Wu, Jenq-Neng Hwang, Serge Belongie, Lei Li
研究方向: 图像生成与编辑，结合大型语言模型（LLM）与贝叶斯优化技术
提出了一种名为BayesGenie的图像编辑框架，该框架结合了大型语言模型（LLM）和贝叶斯优化技术，旨在实现精确且用户友好的图像编辑。用户可以通过自然语言描述来修改图像，而无需手动标记区域，同时保持原始图像的语义完整性。
作者: Chengkun Cai, Haoliang Liu, Xu Zhao, Zhongyu Jiang, Tianfang Zhang, Zongkai Wu, Jenq-Neng Hwang, Serge Belongie, Lei Li
研究方向: 计算机视觉，图像处理，自然语言处理
本文提出了一种名为BayesGenie的图像编辑框架，该框架结合了大型语言模型（LLMs）和贝叶斯优化，以实现精确且用户友好的图像编辑。通过自然语言描述，用户可以修改图像，同时保持原始图像的语义完整性。
作者: Samuele Sabella, Chiara Boldrini, Lorenzo Valerio, Andrea Passarella, Marco Conti
研究方向: 分布式联邦学习
本文研究了分布式联邦学习（DFL）在存在低质量数据时的鲁棒性，并与联邦学习（FL）和集中式学习进行了比较。通过模拟包含低质量样本的节点，分析了不同数据分布和不同网络拓扑结构下的学习性能。
作者: Wenkai Yang, Shuming Ma, Yankai Lin, Furu Wei
研究方向: 大型语言模型（LLM）推理与测试时间计算优化
本文探讨了在大型语言模型（LLM）推理中，通过增加测试时间计算（如延长链式思维（CoT）长度）对模型推理性能的影响。研究发现，过度增加CoT长度可能会对某些领域的推理性能产生负面影响，并提出了一种名为“思考最优缩放”（TOPS）的策略，以实现更有效和高效的测试时间缩放。
作者: Yishuai Cai, Xinglin Chen, Zhongxuan Cai, Yunxin Mao, Minglong Li, Wenjing Yang, Ji Wang
研究方向: 机器人学与人工智能
本文提出了一种名为MRBTP的算法，用于解决多机器人任务规划和协作问题。该算法基于行为树（Behavior Trees，BTs）控制架构，旨在提高多机器人系统的效率和鲁棒性。
作者: Yifeng Wang, Yi Zhao
研究方向: 低成本加速度计信号增强与提升
该论文针对低成本加速度计在精度和量程方面的限制，提出了一种名为HEROS-GAN的生成对抗网络（GAN）模型。该模型通过将低成本传感器信号转换为高成本等效信号，从而克服了低成本加速度计的精度和量程限制。
作者: Chiara Lindloff, Ingo Siegert
研究方向: 人工智能与算法公平性
本文探讨了人工智能系统中“偏差”的概念，区分了技术偏差和社会偏差，并强调了在处理AI系统中的公平性问题时不应该将“无偏差”等同于“公平”。文章分析了偏差的历史和其在神经网络中的技术角色，同时探讨了“偏差”在日常语言中的社会概念。作者进一步讨论了“公平”的定义，指出真正的公平需要区分有害的歧视和公平的差异化。
作者: Pei Liu, Haipeng Liu, Haichao Liu, Xin Liu, Jinxin Ni, Jun Ma
研究方向: 自动驾驶与视觉语言模型
该研究提出了一种名为VLM-E2E的新型框架，旨在通过集成视觉语言模型（VLM）来增强端到端自动驾驶系统。该框架通过提供注意力提示，将文本表示整合到鸟瞰图（BEV）特征中，以进行语义监督，使模型能够学习更丰富的特征表示，这些表示明确地捕获驾驶员的注意力语义。此外，该框架还引入了一种BEV-文本可学习加权融合策略，以解决融合多模态信息中的模态重要性不平衡问题。
作者: Yuhao Zheng, Chenghua Gong, Rui Sun, Juyuan Zhang, Liming Pan, Linyuan Lv
研究方向: 社交网络信息传播与预测
本文提出了一种名为AutoCas的新型框架，旨在利用大型语言模型（LLM）预测社交网络中的信息传播流行度。该框架通过对信息传播过程进行token化，并将其与语言生成过程进行对齐，从而将LLM应用于信息传播预测。
作者: Rikuto Kotoge, Ziwei Yang, Zheng Chen, Yushun Dong, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai
研究方向: 生物信息学与机器学习
该研究提出了一种名为ExPath的深度学习框架，用于从生物知识库中推断目标路径。该框架通过结合图学习、解释和蛋白质语言模型等技术，实现了从实验数据中推断生物网络中的关键分子相互作用。