- 自动驾驶中的占用感知调查：信息融合视角
3D 占用感知技术是观察和理解自动驾驶车辆的密集 3D 环境的一项目标。本调查报告回顾了最新的 3D 占用感知研究，提供了对各种输入模态的方法论的深入分析，总结了网络流程、信息融合技术以及有效的网络训练，评估了现有算法在最流行的数据集上的性 - 当 LLM 遇上网络安全：一个系统文献综述
通过系统文献综述，本文研究了大型语言模型在网络安全领域的构建、应用、挑战等关键问题，并探讨了其在提高网络安全实践中的广泛潜力，成为应用于该领域的有价值的资源。
- 社会意识语言技术的呼声
语言技术在大语言模型的引入下取得了巨大进展，但在社交环境感知方面仍存在挑战，需要将社交意识融入自然语言处理模型以增强应用的自然性和安全性。
- 低质量数据的多模态融合：全面调查
基于低质量数据的多模态融合面临四个主要挑战：噪声多模态数据，不完整多模态数据，不平衡多模态数据和质量变化多模态数据。本文通过全面的分类对多模态融合的常见挑战和最新进展进行调研，为研究人员提供了了解该领域现状和发现潜在研究方向的方法。此外，本 - MER 2024：半监督学习、噪声鲁棒性和开放词汇多模态情感识别
多模态情感识别是人工智能中的重要研究课题，为推动该领域的发展，我们计划组织一系列关于情感识别的挑战活动，其中包括扩大数据集规模、引入新的跟踪领域和鼓励参与者描述角色的情感状态。
- 复杂人类活动识别的深度学习精准性背后
人类活动识别（HAR）是一个经过研究的领域，研究始于 20 世纪 80 年代。本文通过对数据的多样性和模型的容量等因素进行系统研究，全面梳理现代深度学习方法在识别复杂 HAR 时存在的准确性问题，并提出了潜在的研究方向。
- 模糊测试与 LLMs 的结合：挑战与机遇
通过对顶级会议上最新的论文进行回顾，我们确定了大型语言模型（LLMs）在模糊测试中面临的五个主要挑战，并提出了一些可行的建议来改进 LLM 在模糊测试中的应用，并进行了对数据库管理系统的模糊测试的初步评估，结果表明我们的建议有效地解决了所确 - 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， - 对大型语言模型与人类对 17 项可持续发展目标的态度调查
对大型语言模型（LLMs）的态度与联合国可持续发展目标（SDGs）之间的差异进行综合回顾和分析，发现其在理解、情感、文化差异、任务目标、决策过程中存在的差异，以及由于训练数据不足、历史偏见、质量问题、缺乏语境理解和倾斜的伦理价值所反映的风险 - 医学影像分割：从传统模型到基础模型的超越像素级监督
医学图像分割的注释高效学习与基础模型的挑战：综述与分析。
- BLINK：多模态大型语言模型具备视觉但无感知能力
Blink 是一个针对多模式语言模型（LLMs）的新基准，重点关注其他评估中找不到的核心视觉感知能力。通过对 14 个经典的计算机视觉任务进行改组，Blink 生成了 3,807 个多项选择题，配备单个或多个图像和视觉提示。虽然人类平均准确 - 相关工作和引文生成：一项调研
文献综述、相关工作生成、自然语言处理、NLP 模型、挑战
- 多模态可佩戴传感器人体动作识别调查
结合增加的预期寿命和下降的出生率导致人口老龄化问题，可穿戴传感器技术的人体活动识别成为一种有着巨大潜力的辅助技术来支持老年人的日常生活，近期的研究聚焦于深度学习方法或单一传感器模态，为了给机器带来类似的智能，多模态机器学习成为研究者们热衷的 - 由学徒到研究助理：大型语言模型推动研究
通过文献综述和第一手实验，本文研究了大型语言模型（LLMs）的潜力。尽管 LLMs 具有成本效益和高效性等优点，但也存在着诸如提示调优、偏见和主观性等挑战。该研究通过利用 LLMs 进行定性分析的实验提供了新的见解，强调了成功和限制。此外， - 推进医疗保健的基础模型：挑战、机遇和未来发展方向
基于现有数据进行预训练的基础模型在促进医疗卫生事业中发挥着积极作用，它打破了有限人工智能模型与多样化医疗实践之间的矛盾，提供了更广泛的医疗场景，从而改善智能医疗服务。本文对基础模型的挑战、机遇和未来发展方向进行了全面深入的调研和探讨，以期加 - 生成智能与教师 - 对我们有利还是不利？案例研究
调查显示，超过一半的受访教师（35 位）中有 59% 表示使用生成人工智能（GenAI）进行教学，尤其是大型语言模型（LLMs），然而 55% 的受访者认为应该制定相关法规来规范 GenAI 的使用，尤其是在准确性和作弊上存在最大的担忧。
- 智慧城市的持续学习：一项综述调查
在数字化的现代城市中，大量的数据和强大的计算资源促进了智能模型的快速更新，持续学习是一种新颖的机器学习范 Paradigm，它不断更新模型以适应不断变化的环境，我们的调查综述了在智能城市开发中广泛使用的持续学习方法，内容包括方法学方面、应用 - 大型语言模型与法律系统的探索：简要调查
人工智能和大型语言模型的进步正在给法律领域的自然语言处理任务带来深刻的转变。大型语言模型在法律部门展示出越来越多独特的优势和各种挑战。本调查研究了大型语言模型与法律系统之间的协同作用，例如在法律文本理解、案例检索和分析等任务中的应用。此外， - 应对仇恨言论的自然语言处理：概述和操作指南
近年来，反言论已经成为打击网络仇恨的最有希望的策略之一。这些非升级回应在保护用户言论自由的同时，可以在减少在线和离线暴力方面产生明显影响。本文提供了关于进行反言论研究的指南，通过详细的实例描述了相关步骤，并提供了从自然语言处理研究的最佳实践 - 开放环境中的目标检测器：挑战、解决方案和展望
通过综述和分析，本文旨在彻底了解和研究开放环境物体检测器所面临的挑战和解决方案，从而推动其在现实世界场景中的可靠应用的发展。