- 人工智能与人类集体生成的最准确的差异诊断
基于综合人机智能的混合智能系统在医疗诊断等复杂无结论领域的应用显示出了人类和大型语言模型的协同作用,以提高精确性。
- 突触记忆巩固理论与智能可塑性的延续学习
人和动物终身学习,这对智能至关重要。我们在本章中研究了复杂内部突触动力学的可塑性机制在实现神经网络的终身学习能力中所起的关键作用。通过调查理论研究,我们强调了促进终身学习的两个基本因素:一是突触可塑性机制必须在多个行为相关的时间尺度上保持和 - 无反向传播多模态在设备上通过云设备协作进行模型适应
我们在日益相互连接的世界中,智能设备不断积累大量的个性化多模态数据,迫切需要提供高质量、个性化的设备感知服务。为了克服云端基于微调适应 (FTA) 存在的问题,我们引入了一种革新的通用 On-Device 多模态模型适应框架,通过在云端部署 - 谁按照蓝图行动?分析美国联邦机构对人工智能权利法案蓝图的回应
研究考察了美国联邦机构对白宫于 2022 年 10 月发布的《AI 权利法案纲要》所概述的原则的回应和实施程度,发现该纲要对联邦机构的行动影响有限,仅有 5 个部门明确提到该纲要,而 12 个部门采取的措施与其一个或多个原则相一致,但很大部 - AI 接口中与设计模式互动的危害的特征和建模
设计增强的 AI 系统控制 (DECAI) 是一个概念性模型,它着眼于探讨接口在人工智能系统中的作用,通过两个案例研究展示了 DECAI 的应用价值。
- 推理时规则擦除器:提取和移除偏见规则以减轻部署模型中的偏见
在高风险应用(如招聘和司法)中,公平对于人工智能系统至关重要。本文提出了一种更灵活的公平范式,即推断时间规则擦除器(Eraser),它考虑了无法访问模型权重的情况,从有偏见规则的移除角度解决公平问题。通过贝叶斯分析验证了修改模型输出以擦除有 - AI 法案与大型语言模型(LLMs):关于重要问题和隐私影响时需要人类和道德监督
人工智能系统和大型语言模型的迅猛发展使得有必要评估它们在隐私保护、个人数据保护以及伦理层面上对最弱和最脆弱群体可能产生的风险和影响。本研究聚焦于人类监督、伦理监督和隐私影响评估。
- CVPR编排潜在专业知识:通过多级监督和反向自蒸馏推进在线持续学习
在线连续学习中引入多层在线顺序专家 (Multi-level Online Sequential Experts, MOSE) 方法,通过多层监督和反向自蒸馏,培养模型为堆叠子专家,以实现学习新样本和保留过去知识的显著效果,大大提升 OCL - 符号音乐生成中的结构建模:图案、短语与更多
模拟音乐结构在生成符号音乐作品的人工智能系统中至关重要但具有挑战性。本文概述了整合连贯结构的技术的演变,从符号方法到基础和转换的深度学习方法,利用计算和数据在各种训练范式中的强大能力。最新阶段,我们评述了一种新兴技术,称为 “子任务分解”, - 图神经网络中的算法推理
通过与神经网络和热带代数的连接,将算法推理集成到机器学习模型中的潜力展示出来。
- 一个对于价值引入问题的荷尔蒙方法:预防纸夹子末日?
通过使用激素调节分析来调节人工智能的行为模式,HALO(激素调节对立过程)提出了一种监管范式以解决价值加载问题。HALO 通过量化可重复行为的激素限制来规范人工智能的行为,并在解决 ' 纸夹子最大化器 ' 情景中展示其有效性。
- 交互式代理基础模型
提出了一种交互式代理基础模型,采用新颖的多任务代理训练范式,实现了跨领域、数据集和任务训练 AI 代理的能力,展示了其在机器人技术、游戏 AI 和医疗保健领域的性能,支持多模态和多任务学习。
- DSAP:通过数据集的人口统计比较分析偏见
提出了 DSAP(Demographic Similarity from Auxiliary Profiles)方法,用于比较和量化数据集中的人口构成,可应用于检测和表征数据集中的人口盲点和偏见问题、测量单个数据集中的人口偏见以及测量部署场 - 通过经验与互动学习机器道德
下一代人工智能系统的安全性越来越受关注,需要将道德性融入自主代理中。本文系统化地介绍了在机器中引入道德性的现有方法,并提出了需要更多混合解决方案创建适应性强、稳健可控且可解释的代理的论点。同时,通过案例研究和评估道德学习代理的有效性,探讨了 - QualEval: 模型改进的定性评估
提出了一种新的定量评估指标 QualEval,用于改进大型语言模型的定量测量方法。该方法通过使用动态优化求解器生成人类可读的洞察力,加速模型改进,并成功增加了模型开发的速度,成为一种数据科学家工具。
- EMNLP基于方法的地基和全面发展:跨模态和跨语言连接研究的一种方法论
通过建立一种方法论框架,对比训练在不同输入模态下的模型,本文研究了提供比仅有文本更丰富的输入来源对自然语言处理系统的影响,发现交叉模态接地、跨语言接地和未接地的模型之间存在质的差异,这从整体数据集层面和具体词表示层面衡量了模型的表现。
- 利用大型语言和视觉模型从大规模图像 - 文本结肠镜记录中提取和浓缩知识
使用大型语言和视觉模型的最新进展,我们提出了 EndoKED,一种用于深度知识提取和蒸馏的数据挖掘范式,可以自动将原始结肠镜记录转化为具有像素级注释的图像数据集。通过验证 EndoKED 使用的多中心原始结肠镜记录数据集(约 100 万张图 - SCME:自我对比方法用于无数据和有限查询模型提取攻击
我们提出了一种名为 SCME(自对比模型提取)的新型无数据模型提取方法,它在合成虚假数据时考虑了类间和类内多样性,而且通过引入 Mixup 操作来增加虚假数据,能够有效探测目标模型的决策边界,提高仿真能力。广泛实验表明,该方法能产生多样化的 - MAGIC-TBR: 基于变形器的群体环境下身体行为识别的多视角注意力融合
提出了一种名为 MAGIC-TBR 的多视角注意力融合方法,通过基于变压器的方法结合从视频中提取的特征和相应的离散余弦变换系数,探索细节行为(如手势、整理或笨拙)的检测。在 BBSI 数据集上进行了实验,结果证明了所提特征融合与多视角注意力 - AAAI大型语言模型与认知架构的协同集成 —— 鲁棒人工智能的探索性分析
本研究论文探讨了在构建表现出智能行为的人工智能代理中,将大型语言模型(LLMs)和认知架构(CAs)两个子领域进行整合的替代方案。在理论模型的指导下,并通过初步的实证数据支持,我们假设多样化的协同方法可以相互弥补它们各自的弱点和局限性,最终