- 深度神经网络与人类表征对齐的基本维度
确定人类和人工智能之间的相似性和差异是机器学习和认知神经科学的重要目标。通过借鉴认知科学的最新发展，我们提出了一个通用框架，可在人类和深度神经网络 (DNN) 中产生可比较的表示。将此框架应用于人类和自然图像的 DNN 模型，揭示了一个低维 - 挑战算法决策中的人机互动
我们从技术和哲学的角度讨论人类在算法决策（ADM）中的作用，具体描述了涉及的不同期望、价值观和限制所引发的紧张关系，以及介入其中的人类所面临的挑战和影响。
- 社会导航中追随人类线索
基于机器人的状态 - 动作历史，提出了第一个社交动力学适应模型（SDA），用于推断社交动态。在共享环境中，机器人通过学习人类轨迹并基于该信息、当前状态和前一动作学习运动策略，成功实现了人机协作和社交导航。通过在 Habitat 3.0 平台 - 大型语言模型是否能够推理和规划？
人类具备自我批评能力，但似乎在语言模型的情况下缺乏基础。
- ACL描述图像：量化和预测视觉语言处理中人类信号的变异性快慢
图像与人类行为之间存在复杂的关系，人类的行为表现如眼动和图像描述时开始描述的时刻等表明了丰富的变化。然而，目前预训练模型的训练中几乎完全忽略了此类变化，因此需要进一步研究。本文利用同时收集的荷兰图像描述和眼动数据进行了研究，探索了视觉 - - 互动语言中的问题和失败：朝向语言学知识驱动的分类学
本研究旨在介绍一种系统的研究议程，旨在理解人类与人工会话代理之间的相互作用的本质（即人机交互，HMI），具体来说，我们将采取明确的语言学角度，重点关注已知影响人类对话流程的语言学定义变量（即人与人之间的交互，HHI）。
- AAAI元图灵测试
我们提出了一种替代图灵测试的方法，通过使双方的人类和机器都参与评判从而消除原始模仿游戏中人与机器之间的固有不对称性，并且建议了一些改进来提高这种测试的鲁棒性。
- 人类 vs. 监督机器学习：谁更快学习模式？
研究比较有限的学习数据时，监督学习算法和人类的学习能力的表现差异，并发现在任务的基础模式上，机器的表现差异较大，但机器需要更多的训练实例才能达到与或甚至胜过人类的水平。
- ECCV从单幅图像中感知野外 3D 人体 - 物体空间排列
本文提出了一种在非受控环境下从野外拍摄的单张图像中推断人类和物体的空间布局和形状的方法，并证明了尝试联合考虑人类和物体可以通过引入 3D 常识约束来减少可能的 3D 空间配置。
- CVPR无配对姿势引导的人类图像生成
本研究旨在通过限定人体的粗略轮廓并控制特定服装类型实现真实人体图像的完整生成建模。我们提出了一种端到端可训练的生成式对抗网络架构，它提供了细节控制来生成具有高逼真度的图片，同时无需成对的训练数据，不必拟合 3D 姿势到 2D 图像的困难问题 - MM构建像大脑一样适应和计算的机器
构建像人类一样学习和思考的机器不仅对认知科学至关重要，而且对于计算神经科学也是如此，其最终目标是理解认知如何在生物大脑中实现。新的认知计算神经科学应该建立认知级和神经级模型，理解它们的关系，并使用大脑和行为数据测试两种模型。
- 那时的力量”: 人类独特的超越现在的想象能力
本文探讨人类进化的独特能力，即超越现实并以过去和未来为基础进行思考和幻想，解释其在现代生活中的重要性以及为何这一能力定义了我们的人性。