作者: Zongkai Zhao, Guozeng Xu, Xiuhua Li, Kaiwen Wei, Jiang Zhong
研究方向: 联邦学习与知识编辑
本文提出了一种名为FLEKE的联邦知识编辑任务，旨在解决大型语言模型（LLMs）在多客户端场景下的知识更新问题。通过引入FedEdit框架，实现了多个客户端在保持隐私和降低计算开销的情况下，协同进行知识编辑。
作者: Zhining Zhang, Chuanyang Jin, Mung Yao Jia, Tianmin Shu
研究方向: 机器理论思维（Machine Theory of Mind）
本文介绍了一种名为AutoToM的自动化贝叶斯理论思维方法，旨在实现开放式的机器理论思维。AutoToM能够在任何领域工作，推断任何心理变量，并执行任何阶数的鲁棒理论思维推理。
作者: Florent Bartoccioni, Elias Ramzi, Victor Besnier, Shashanka Venkataramanan, Tuan-Hung Vu, Yihong Xu, Loick Chambon, Spyros Gidaris, Serkan Odabas, David Hurych, Renaud Marlet, Alexandre Boulch, Mickael Chen, Éloi Zablocki, Andrei Bursuc, Eduardo Valle, Matthieu Cord
研究方向: 自动驾驶，视频生成模型，视觉语言动作模型
本文研究了大规模生成视频模型在自动驾驶中的应用，引入了开源自回归视频模型VaViM及其伴随的视频动作模型VaVAM，以探究视频预训练如何迁移到现实世界的驾驶中。
作者: Shoumik Saha, Soheil Feizi
研究方向: 人工智能文本检测与评估
本文研究了使用大型语言模型（LLMs）进行文本生成，并评估了现有AI文本检测器在检测AI润色文本方面的性能。研究者创建了一个名为APT-Eval的数据集，包含经过不同程度AI润色的文本样本，并使用11种最先进的AI文本检测器进行评估。
作者: George Drayson, Vasileios Lampos
研究方向: 人工智能，自然语言处理，语言模型
该研究探讨了大型语言模型（LLM）在训练过程中由于使用机器生成文本导致模型性能下降的问题，即所谓的“模型崩溃”。研究通过分析解码策略对模型崩溃的影响，设计了一种基于机器生成文本检测器的数据重采样方法，以防止模型崩溃并提高模型性能。
作者: Kevin Raina
研究方向: 机器学习，深度学习，贝叶斯方法，异常检测
该研究提出了一种基于贝叶斯神经网络的异常检测方法，特别针对分布外检测（OoD）。通过测量模型参数后验样本中logits的分歧来估计认知不确定性，该方法在多个实验中取得了优于传统方法的表现。
作者: Li Huang, Bertrand Meyer, Reto Weber
研究方向: 软件测试与验证
本文研究了循环展开在软件测试中的应用，通过数学模型和形式化方法对循环展开进行了定义和形式化分析，并设计了一种名为SCU的自动测试生成策略，将循环展开应用于测试生成中，以提高测试覆盖率。
作者: Bruno Pereira Cipriano, Lúcio Studer Ferreira
研究方向: 大型语言模型（LLM）在计算机科学教育中的应用
本文探讨了大型语言模型（LLM）在代码生成中的潜力及其在计算机科学教育中的整合。文章强调了在LLM辅助下进行软件开发的重要性，同时指出学生需要具备扎实的编程基础以负责任地使用这些工具。
作者: Jiao Chen, Ruyi Huang, Zuohong Lv, Jianhua Tang, Weihua Li
研究方向: 工业故障诊断
本文提出了一种名为FaultGPT的新型工业故障诊断问答系统，该系统利用大型视觉语言模型（LVLM）直接从原始振动信号中生成故障诊断报告。
作者: Shang Yang, Junxian Guo, Haotian Tang, Qinghao Hu, Guangxuan Xiao, Jiaming Tang, Yujun Lin, Zhijian Liu, Yao Lu, Song Han
研究方向: 长序列大型语言模型服务
LServe是一个高效的系统，用于加速长序列大型语言模型（LLM）的服务。它通过混合稀疏注意力机制来减少计算复杂性和内存占用，从而提高服务效率。