- 图适应性与可扩展性学习的核心知识学习框架
本文提出了一种针对图分类的算法，通过吸收来自不同类型任务的观点，旨在增强图分类中的适应性、可扩展性和泛化性，通过学习整个图的核心子图，重点关注与任务相关的最重要特征，从而改善模型性能、增加领域适应性并增强对领域变化的鲁棒性。实验结果表明，与 - Priorformer: 一种具有内容和失真先验的用户生成内容问答方法
对于用户生成内容（UGC）视频，现有的盲目视频质量评估（BVQA）模型无法很好地适应复杂和多样的退化和内容，因此我们提出了一种新颖的预先增强的感知视觉变换（PriorFormer）用于 UGC 的 BVQA，该模型能够提升对不同内容和退化的 - SIGIR灵活适应的摘要生成技术通过专家分离
通过使用 MoeSumm，一种混合专家摘要架构，该模型能够展现灵活性和适应性，同时保持参数效率，并在实验结果中显示了其与最新基准和大型语言模型相比的优势。
- 学习基础模型以解决路径规划问题的启发函数
通过深度强化学习训练启发式函数，该研究提出了一种新型基础模型，能够在不进一步微调的情况下适应各种新领域，从而在复杂路径规划问题中为人工智能驱动的解决方案建立了新的效率和适应性标准。
- 自动英文文本扩展系统
我们提出了一个自动文本扩展系统，结合语言规则和统计方法，进行自动的自然语言生成。该系统可以从最小词汇集合生成连贯和正确的英文句子。
- MSPE：多尺度补丁嵌入激励视觉变换器适应任何分辨率
本研究提出了一种名为 Multi-Scale Patch Embedding（MSPE）的方法，通过优化贴片嵌入，增强模型对分辨率变化的适应能力，在图像分类、分割和检测任务中通过消除对原始图像的调整，显著提高低分辨率输入的性能，并与现有方法 - AutoManual: 通过互动环境学习，由 LLM 代理生成指南手册
通过自动生成规则和提高适应性，AutoManual 框架使基于大型语言模型（LLM）的代理能够自主构建自身的理解并适应新的环境。在 ALFWorld 基准任务上，通过 GPT-4-turbo 和 GPT-3.5-turbo，AutoManu - 适应分布偏移的大规模多模态模型：内文学习的作用
本文研究了在特定领域如医疗保健中，大型多模态模型（LMMs）虽然具有高鲁棒性，但仍需要领域特定的适应性，因此提出了一种有效的解决方案 —— 上下文学习（ICL）。通过评估无监督的 ICL 方法和提出的基于类别条件对比不变性（CCI）的 In - 任务导向提示的动态嵌入
这篇论文介绍了一种名为 “动态嵌入与任务导向提示（DETOT）” 的新颖方法，旨在通过实施灵活的嵌入层来提高机器学习模型的适应性和效率，与传统的静态嵌入相比，DETOT 根据任务需求和性能反馈动态调整嵌入，优化个别任务的输入数据表示。该方法 - GPT 能力驱动的网络安全培训：有效意识的个性化方法
本研究探讨了传统网络安全意识培训计划的局限性，并提出了一种创新解决方案，使用生成型预训练转换器 (GPT) 来解决这些问题。该研究将 GPT 模型与自然语言处理能力相结合，根据个体培训者的个人资料个性化定制培训模块，从而提供高度个性化和动态 - 评估野外视频异常检测的有效性：面向实际部署的在线学习和推断
通过在线学习框架，本研究评估了当前视频异常检测算法在现实环境中的适应性，特别是基于姿势分析的算法，在效率和隐私方面具备优势。研究发现，在最具挑战性的情况下，我们的在线学习方法使模型在特定目标领域中保持了 89.39% 的原始有效性。
- 评估神经网络在脑机接口中的快速适应能力
这篇论文提出了一种简单的评估快速适应性的策略，并就电子脑图谱、脑机接口、模型不可知元学习、卷积神经网络和适应性等方面进行了实证研究。
- AAAI动态推荐的时序图网络框架
我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。
- 潜在神经元细胞自动机实现资源高效图像恢复
神经元元胞自动机是传统元胞自动机模型的演化，通过集成基于深度学习的转换函数进行增强。我们介绍了潜在神经元元胞自动机（LNCA）模型，这是一种新颖的架构，旨在解决神经元元胞自动机的资源限制问题。我们将模型应用于图像恢复领域，以从降质版本中重建 - X-Shot：一个统一的系统，同时处理分类中频繁、少样本和零样本学习
在现实世界的背景中，频繁出现标签、少样本学习和零样本学习同时存在，为了实现实际部署的适应性，本文提出了一种新的分类问题 X-shot，并介绍了一种名为 BinBin 的解决方案，它通过指令跟踪结合自然语言处理任务的间接监督和大型语言模型提供 - 在合作语言游戏中适应队友
在这篇论文中，我们提出了一种通过采用集成方法来确定在与特定队友进行交互过程中，哪个内部专家代理是最佳匹配的，从而使得基于语言的 Codenames 智能代理更具个体化适应性的方法。
- 可解释的生成对抗拟态学习
提出了一种新颖的模仿学习方法，结合了信号时态逻辑（STL）推理和控制综合，能够明确地表示任务作为一个 STL 公式，在理解学习代理的具体任务方面提供了清晰的理解，并通过手动调整 STL 公式将人类知识纳入，以便适应新的场景。此外，我们采用了 - Sym-Q：符号回归的自适应序贯决策
Symbolic Q-network (Sym-Q) 是一种基于强化学习的模型，重新定义了符号回归作为一种顺序决策任务，通过奖励信号对表达式的匹配精度进行优化，从而在发现潜在表达式方面具有独特的能力和效率。
- SegmentAnyTree：一种基于激光扫描数据的传感器和平台无关的树木分割深度学习模型
该研究使用深度学习模型推进了激光雷达数据中的个体树冠分割，适用于不同的激光扫描类型：机载（ULS），地面（TLS）和移动（MLS）。它解决了 3D 森林场景分析中在不同数据特征之间的可转移性挑战。研究评估了模型在平台（ULS，MLS）和数据 - 调查 - 巩固 - 利用：一种面向任务间代理自进化的通用策略
通过 Investigate-Consolidate-Exploit（ICE）策略，本文介绍了一种提高 AI 代理的适应性和灵活性的新方法。与现有的针对任务内学习的方法不同，ICE 促进了任务间知识的转移，实现了真正的自我演化，类似于人类的