- CVPRLane2Seq: 通过序列生成实现统一的车道检测
通过序列生成任务，提出了一个新的车道检测框架 Lane2Seq，它能够统一各种车道检测格式，并使用简单的交叉熵损失函数，同时还引入增强学习来提高模型的性能。实验结果显示，该简单的序列生成范式不仅能够统一车道检测，还在两个基准数据集上取得了竞 - LLM 推理揭示：调查及屋顶线模型洞见
大型语言模型 (LLM) 推理的高效领域正迅速发展，我们的研究通过基于屋顶线模型的框架，系统分析 LLM 推理技术，鉴别 LLM 部署瓶颈，深入理解实际设备的实际方面，并综合整理权重优化、解码算法改进和硬件系统增强等关键领域的最新进展，提供 - latrend：长期数据聚类框架
通过 R 包 “latrend” 作为框架，实现对纵向聚类方法的统一应用，使得研究人员能够轻松比较不同方法、实现和方法规范，并且能够快速推出新的聚类方法。
- 走向 MLOps：面向机器学习系统的 DevOps 工具推荐系统
运用 DevOps 实践于机器学习系统，被称为 MLOps，其目的是建立不同开源工具之间的连接，构建一个能自动执行步骤来构建数据集、训练机器学习模型并将模型部署到生产环境的流水线，并存储不同版本的模型和数据集。本文提出了一个基于上下文信息（ - YAMLE：又一个机器学习环境
Yet Another Machine Learning Environment (YAMLE) is an open-source framework that aims to reduce repetitive work in impl - 通过评估组合性能在构建过程中构建多个决策树的算法框架
本研究提出了一个同时构建决策树并在构建过程中评估它们组合效果的算法框架，通过构建新的决策树组合和评估其组合性能来找到更好的组合。通过在合成和基准数据上进行实验验证了该框架的性能。
- 利用语境和音素表示从原始音频信号中学习语义信息
我们提出了一种框架，使用两种类型的表示，分别编码上下文和语音信息，从原始音频信号中学习语义。通过引入一种语音到单元处理流程，以不同的时间分辨率捕捉两种类型的表示。对于语言模型，我们采用双通道架构来结合这两种表示。我们还提出了新的训练目标，即 - 通过轨迹收集和过程奖励合成学习基于规划的推理
通过直接优化收集到的经验轨迹，我们提出一个基于规划的推理学习框架，以解决大型语言模型在复杂推理任务中出现的问题，并通过具体的过程奖励排名来提高生成推理过程的可靠性和可信度。
- AToM：使用 2D 扩散进行摊销的文本到网格转换
通过引入折旧的文本到网格（AToM）框架，我们能够优化同时处理多个文本提示，以与现有的文本到三维方法进行对比，并且在不到 1 秒的时间内生成高质量纹理网格，训练成本降低约 10 倍，且可以推广到未见过的提示。
- 基于约束求解的合成几何陈述和证明的自动补全方法
通过使用合一逻辑和约束求解，我们提出了一个框架，用于补充不完整的猜想和证明。该框架可以将具有缺失假设和不明确目标的猜想转化为正确的定理，并帮助完成草图式证明以使其适于人类阅读和机器检查。
- 在实施负责任的人工智能中解决伦理平衡
通过权衡的五种方法，提出了一个框架，旨在解决高级人工智能伦理原则在实际系统中的操作问题，以应对潜在的监管要求。
- 在动态知识图谱中实现基于 SPIN 的描述时态动态算法的策略
计划和推理是最近逻辑和计算机科学研究中的重要问题，本研究提出了一种将行为嵌入到描述逻辑（DL）中的框架，用于表示和推理行为，并提出了一种算法来处理行动的各种情况。
- 边缘机器学习欺诈检测中的数据分布变化的分布式监控
数字化时代见证了金融欺诈的显著增长。我们的研究填补了当前研究中在分布式边缘机器学习应用中对数据分布漂移的监测缺乏稳健系统的重要空白。通过引入一种创新的开源框架，我们的系统能够连续监测网络上边缘设备上的数据分布漂移，包括在分布式网络上进行 K - 少即是多：多模态少样本学习的深入研究
为了解决深度学习中少样本学习的挑战，我们提出了一个简单而有效的框架，专门设计用于利用文本信息和语言模型，通过学习可调的提示来显式地利用预训练的语言模型的零样本能力，并且直接将视觉特征和文本特征进行推断而无需复杂设计的融合模块，进一步运用自集 - 可复现性、可重复性及停止时机的经验教训
通过我们复制一个用于预测热带气旋生成的运行产品的经验，我们提出一个二维框架，以提供有关复制他人研究的指导。这个框架基于数据集、指标和模型等三个关键方面，通过在模型适配和推断之间进行评估，我们可以更好地支持我们研究的主张。此外，我们还使用这个 - 机器学习中的模型无关解释框架：在 NBA 体育中的比较研究
机器学习研究领域近年来取得巨大进展，深度学习模型在各种任务上表现出色。然而，这些模型往往在可解释性方面存在不足，因为它们作为不透明的 “黑盒子” 运行，使其决策背后的原理被遮蔽。为了解决这一挑战，我们的研究团队提出了一个创新框架，旨在权衡模 - Blar-SQL: 更快、更强、更小的 NL2SQL
研究表明，通过任务分解可以大大提高大型语言模型在数据库理解和查询生成方面的能力，从而通过 SQL 查询回答人类问题。我们提出了一个新的框架，通过将架构划分为块来在有限的上下文中容纳更多信息，该方法的结果与 GPT-4 相当，但体积更小、速度 - 在大型语言模型中通过思维链条推理来调节新的网络仇恨浪潮
在线仇恨是一个不断升级的问题，对互联网用户的生活产生负面影响，并由于不断发展的事件而面临快速变化，进而导致新的在线仇恨浪潮构成重大威胁。为了解决这一关键问题，我们提出了一种名为 HATEGUARD 的新型框架，通过利用最近引入的思维链（Co - 跨领域理解与估计领域复杂性
提出了一个通用框架来估计不同环境中领域复杂性，以解决人工智能系统在真实世界中的困难。通过分析维度、稀疏性和多样性，提供了领域挑战的全面视角，以避免偏见，并帮助在开放世界域中进行广泛搜索。
- AAAI结构信息引导的多模态预训练用于以车辆为中心的感知
我们提出了一种新颖的面向车辆的预训练框架称为 VehicleMAE，它融合了来自车辆轮廓信息的空间结构和来自信息性高级自然语言描述的语义结构，以实现有效的车辆外观重建。我们构建了一个大规模的数据集 Autobot1M，包含约 1M 辆车图像