- FDLite: 单阶段轻量级人脸检测网络
本文提出了一种定制的轻量级背骨网络 (BLite) 和一种轻量级人脸检测器 (FDLite)，采用常用的损失函数和学习策略进行训练，并在 WIDER FACE 验证数据集的不同子集上分别达到了 92.3%、89.8% 和 82.2% 的平均 - 悲观的脱机政策评估、选择和学习的对数平滑
该研究调查了在线情境决策问题的离线公式化，其目标是利用在行为策略下收集的过往互动来评估、选择和学习新的、潜在更好性能的策略。通过采用悲观主义的原则构建对策略最坏情况性能的上限界，我们超越了点估计器，引入了对一类广泛的重要性加权风险估计器的新 - 基于机器学习的高斯过程回归系统可靠性分析
机器学习可靠性分析方法在计算效率和准确性方面取得了巨大的进展。本文探讨了一些理论上的最佳学习策略，并通过模拟结果验证了考虑 Kriging 相关性的最佳学习策略在减少性能函数评估次数方面优于其他学习方法。
- 通过同态 POMDP 诱导个体学生的学习策略
基于多种认知模式构建同态 POMDP 模型，提高个性化学习策略的精确性。
- 基于扩散模型的图像编辑：一项综述
调查论文对使用扩散模型进行图像编辑的现有方法进行了全面的概述，包括理论和实践方面，并从多个角度对这些作品进行了彻底分析和分类，介绍了学习策略、用户输入条件以及可以实现的特定编辑任务的组合。此外，对图像修复和扩展进行了特别关注，并探讨了早期的 - 数据标注的大型语言模型调查
数据标注是提高机器学习模型效果的标记或标签化原始数据的过程，使用大型语言模型（LLMs）可以革新和自动化数据标注过程。本研究着重于 LLM 在数据标注中的特定用途，探讨了 LLM 基于数据标注、评估 LLM 生成的标注以及使用 LLM 生成 - 使用隐马尔可夫模型的强化学习揭示决策动态
利用强化学习隐藏马尔可夫模型的新框架，分析了重性抑郁障碍患者在基于奖励的决策制定中的参与度与大脑活动之间的关联。
- 使用个人 AI 导师实施学习原则的案例研究
整合 AI 导师来补充学习程序，基于学习科学，个性化学习策略，神经网络模型和学术表现等主题为学生提供个性化学习体验。
- 推动神经信息检索中的持续终身学习：定义、数据集、框架和实证评估
连续学习模型的任务制定和学习策略在神经信息检索中的有效性及应对主题变化和数据增强的影响进行了概括和评估。
- 联邦领域泛化：一项调查
本文介绍了机器学习发展的过程及其在领域自适应和领域泛化方面的应用，重点介绍了联邦域泛化的概念和相关算法，分类为联邦域对齐、数据处理、学习策略和聚合优化，并提供了常用的数据集、应用、评估和基准，这些研究对解决在不同领域和分布数据上广泛存在的泛 - 记忆力强还是弱？深入探究语言模型记忆机制
对预训练语言模型进行了多种实验，发现预训练模型有助于保持记忆，而非预训练的神经网络具有遗忘的问题，并且知识相关性和多样性会显着影响记忆形成。这些结论有助于了解预训练模型的能力，同时也为语言模型的新学习和推断算法的设计和评估提供了启示。
- 面向低资源抽象摘要生成的概览偏好分解技术
通过预训练语言模型建立的元学习框架，采用参数调节分解内容和偏好，并提出一种解码方法，可在只有少量的训练数据的情况下获得极好的效果，大幅提高了摘要生成质量。
- 深度模型中的神经元平衡问题：更新与否？
通过利用神经元平衡的概念，从单个参数转向整个神经元的行为，实施参数训练，并测试不同的学习策略和任务，验证神经元平衡，并观察神经元平衡取决于特定的学习设置，从而达到与现有技术同等性能的研究。
- 以团队学习为视角设计人工智能协同创新系统
本研究将人工智能与人类合作的问题重新定义为一种学习问题，提出团队学习策略可提高合作效果和质量，为设计更高效的人工智能合作系统提供了新的视角和框架，并就支持人们学习如何与生成型人工智能系统协作的进一步研究提出了问题和议程。
- SFace：使用合成数据进行隐私友好型高精准度人脸识别
本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。
- 走向真正意义上的自主评分
本文旨在解决自主评分问题，通过物理仿真和实时原型环境设计启发式和学习策略，解决在仿真环境中的任务，同时探索物理仿真和真实场景之间的鸿沟
- 最近几种 Few-Shot 物体检测算法的比较评价
本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。
- ACL激活学习：联合优化系统和用户需求
提出了一种新的主动学习方法，旨在优化主动学习系统和用户之间看似矛盾的目标，以达到在教育应用中快速学习预测一种练习是否适合特定用户，同时只向用户提供符合他们技能的练习，并通过实际用户数据表明，该方法更好地满足了用户的双重目标。
- 探索抽取式文本摘要中的领域转移
本文研究了文本摘要技术中的领域转移问题，提出了将领域的定义从类别扩展到数据源，并探讨了四种不同的学习策略以解决领域转移问题，在新测试中呈现出不同的性能特点。
- 深度学习在目标检测中的最新进展
本文综合调查了目前使用深度学习进行视觉对象检测的最新进展，特别关注了三个主要方面：检测组件、学习策略和应用与基准，并讨论了许多影响检测性能的因素。