Feb, 2024

基于 Foundation 模型的软件工程思考：一个开发可信 FMware 的挑战目录

PDF
TL;DR基于 Large Language Models 的 FMware 软件开发引发了一系列软件工程挑战，该研究讨论了这些挑战并提出了创新的解决方案，同时介绍了 FMArts 长期项目以及其在设计和开发可靠 FMware 方面的应用和学习经验。
foundation modelsfmwaresoftware engineering challengesfmartstrustworthy fmware
发现论文，激发创造
  • 基础模型向导：通过知识和推理指引基础模型

    基于对代理与基础模型互动模式的分类和对该模式的扩展架构提出的综述性论文，为实现基础模型在实际人工智能系统中的潜力提供了指导。

    Feb, 2024

  • 基于基础模型的联邦学习的进展与开放挑战

    综合调查了联邦基础模型（FedFM）领域，阐明了其与联邦学习（FL）的协同关系，并探索了 FL 研究领域在基础模型时代需要关注的新方法、挑战和未来方向。提出了一种系统的多层次分类法，对现有的 FedFM 方法进行了分类。全面讨论了关键挑战，包括如何使 FL 处理高复杂性的计算需求、隐私考虑、贡献评估和通信效率。这项调查强调了在 FedFM 领域进行进一步研究以推动创新的重要性，强调了开发可信解决方案的需求。作为研究人员和从业者参与这个跨学科和快速发展领域的基础指南。

    Apr, 2024

  • 在基础模型时代重新思考软件工程：从任务驱动的 AI 副驾驶到目标驱动的 AI 两人编程

    我们提出了一种从基于任务的人工智能辅助软件工程向以目标驱动的 AI 搭档为特征的 AI 变革软件工程的新范式，旨在通过人工智能与人类开发者之间的协作伙伴关系，提高生产力和软件质量。

    Apr, 2024

  • 从零开始发展规划类任务的基础模型的案例

    基于先前使用预训练的基础模型和微调选项的工作，本研究讨论了从零开始创建全面的基础模型以解决规划类任务的需求，并探讨了其设计考虑因素。我们认为这样的基础模型将为问题解决提供新的高效途径，就像 LLMs 正在为 APS 领域创造的一样。

    Apr, 2024

  • 智能农业中的基础模型：基础、机遇和挑战

    本研究旨在探索基于基础模型（foundation models）在智能农业领域的潜力，通过回顾计算机科学领域的最新研究，并将其归类为语言基础模型、视觉基础模型、多模态基础模型和强化学习基础模型，本文提出了农业基础模型的发展过程和潜在应用及其在模型训练、验证和部署过程中可能面临的挑战，旨在通过引入农业基础模型这一有前景的范式，显著减少对大规模标记数据集的依赖，同时提高农业人工智能系统的效率、效果和泛化能力。

    Aug, 2023

  • 基于联邦学习的基础模型协同优化：一项综述

    基于联邦学习与基础模型的潜力和挑战以及核心技术、未来方向和应用的综述。

    Jun, 2024

  • 超越微调：从模型中学习的调查

    在基础模型的基础上，通过 Learn From Model 技术对模型进行调优、蒸馏和元学习等方面的研究，以提升基础模型的能力和性能，为未来的研究探索和解决待解决的问题提供参考。

    Oct, 2023

  • 生物信息学中的基础模型的进展与机遇

    这篇综述论文通过系统调查和总结生物信息学中的基础模型对于特定生物问题的应用以及面临的挑战和限制，并提出了基础模型在未来生物研究中的发展方向和策略。

    Feb, 2024

  • 基础模型能否操纵您的数据？

    本文旨在探讨基础模型（FMs）在数据清洗和集成等传统数据任务中的表现，研究发现大型 FM 模型可以在这些任务中取得 SoTA 表现，并针对这一发现提出了相关挑战和机遇。

    May, 2022

  • 使用基础模型导航联邦推荐系统的未来

    综合评述了基于联邦学习和推荐系统的联邦推荐系统，讨论了数据异质性和数据稀缺性等固有限制，并介绍了基础模型的应用和研究方向，以及领域内的常见挑战、未来研究方向和评估指标。

    May, 2024