通过研究机器学习中的 “在线准确性” 现象，我们发现噪声数据和干扰特征会破坏准确性与超参数和数据配置之间的正相关关系，导致准确性与超参数和数据配置之间出现负相关关系。这种现象也可能出现在含有假特征的情况下，假特征会凸显出复杂信号特征，导致大量干扰特征空间。此外，将数据扩展到更大规模并不能减轻这种不良行为，甚至可能加剧它。我们通过线性分类模型在真实和合成数据集上进行验证，并对噪声数据和干扰特征的条件下的 Out-of-distribution (OOD) 错误证明了下界。

Jun, 2024

游戏作为 AI 的试验平台，在 20 世纪后期和 21 世纪初被视为 AI 的研究重点，但取得的成功并未实现通用智能，因此需要能够应对游戏规则的不确定性以实现 AGI 发展和智能机器建设。

Jun, 2024

通过利用大规模语言模型的能力，本文提出了一套针对多样化感知的自主对话系统，该系统适应不同人群和个体，考虑到背景、个性、年龄、性别和文化等因素，对话过程由系统预设的知识库架构引导，并利用语言模型生成多样化感知的句子，通过提供精心设计的提示，融合了关于用户、对话历史、语境细节和具体指导的综合信息。我们进行了受控实验和现实世界实验来评估系统的性能，测量了一系列性能指标。

Jun, 2024

我们提出了一种名为 Outlier Aware Metric Learning (OAML) 的框架，通过 k-NN 算法和稳定扩散模型在特征级别生成用于训练的异常样本，以提高语义空间中的特征差异，并结合基于互信息的对比学习方法，有效地利用 OOD 数据进行学习。此外，我们将知识蒸馏引入学习框架，以防止内部分类准确性的降低。通过对比学习和知识蒸馏算法的结合，我们的方法在各种数据集上显著优于以前的 OE 方法。

Jun, 2024

通过元学习，我们提出了一种可适应个性化车辆跟驰的 MetaFollower 框架，结合长短期记忆网络（LSTM）和智能驾驶模型（IDM），能够准确捕捉和模拟车辆跟驰行为的细微动态，并考虑到个体驾驶者的独特驾驶风格。与常规的自适应巡航控制系统相比，该框架能够快速适应新驾驶员并在预测车辆跟驰行为方面具有更高的准确性和安全性。

Jun, 2024

通过对已有大语言模型进行适应和扩展，我们研究了构建语言专属的大语言模型。我们通过系统实验探究基础模型选择、词汇扩展和持续微调等设计选择对适应后的大语言模型的效率（编码同样数量信息所需的词汇数）和最终任务性能的影响。我们发现，（1）适应前的初始性能并不总是最终性能的指示；（2）大多数研究的大语言模型可以通过简单的词汇扩展和持续微调来提高效率；（3）最佳的适应方法高度依赖于语言，简单的方法在各种实验设置中都表现良好。与适应多语言模型相比，适应以英语为中心的模型在资源稀缺语言上可以取得更好的结果。总之，我们的工作为通过适应现有大语言模型高效构建语言专属大语言模型奠定了基础。

Jun, 2024

采用条件神经网络将节点视角信息注入定位管道以适应于未见的视角，显著提高多视图室内跟踪中定位准确性的 FlexLoc 技术。

Jun, 2024

通过基于因果学习和干预的方法，我们提出了一种新颖的因果启发潜在特征增强方法，用于单域泛化，我们可以生成多样的隐式特征级变换，在潜在空间中更好地补偿对初始有限图像级变换的依赖，捕捉更稳定的领域不变因果特征以实现泛化。

Jun, 2024

本文通过引用由文本描述和示例图像组成的多模式线索，以不同的角度解决开放词汇识别问题，并提出了一种名为 OVMR 的方法，该方法采用两个创新组件来追求更强的类别线索嵌入。

Jun, 2024

利用大型语言模型，针对不同用户情境生成自然语言解释，并通过定量评估展示适应程度。我们收集了一个基准数据集，包括 100 个解释对象，每个对象都与针对三个不同受众类型（如教育工作者、学生和专业人员）的解释配对，使我们能够评估解释在特定信息需求和背景下让这些多样化群体（如学生、教师和家长）满意的程度。通过预训练语言模型，在不同大小的预训练语言模型上，我们考察了三类提示方法：基于规则的提示，元提示和上下文学习提示。我们发现：1）语言模型可以生成与目标情境更准确对齐的提示产生的解释；2）通过提示 “您是一个乐于助人的助手…” 来明确建模 “助手” 角色不是定位自然语言解释任务的必要技术；3）只有上下文学习提示能够帮助语言模型学习演示模板，但无法提高它们的推理性能。该基准数据集及我们的分析有助于未来生成情境化自然语言解释的研究。

Jun, 2024