- OSL-ActionSpotting: 运动视频中行动检测的统一库
介绍了 OSL-ActionSpotting,一个 Python 库,将不同的动作检测算法统一起来,为体育视频分析的研究和应用提供了标准化的过程,通过桥接不同的动作检测技术,提高了体育视频分析的能力和研究合作机会,并确保库在未来技术进步中的 - 强化学习中的公平性调查
在本文中,我们调研了相关文献,提供了公平强化学习领域最新的发展概况。我们首先回顾了公平在强化学习中可能出现的情况,然后讨论了到目前为止提出的各种公平定义。接着,我们突出了研究人员在单智能体和多智能体强化学习系统中实现公平的方法论,并展示了公 - 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, - 偶然输入条件下的在线学习:综合评述与分析
在线学习中处理无序输入的方法和数据集的分类,评估以及对数据集不平衡性的度量,附带了代码实现和碳足迹的介绍。
- 流行病建模中的图神经网络综述
本文综述了图神经网络在流行病任务中的应用,介绍了疫情任务和方法学的分层分类,并系统地梳理了方法学的详细内容和现有方法的局限性,同时提出未来的研究方向。
- 医学图像配准及其在视网膜图像中的应用:一项综述
医学图像配准对疾病诊断和治疗至关重要,能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法,并重点关注了视网膜图像配准的最新进展及其面临的挑战,同时提供未来研究的见解和展望。
- 犯罪预测的数据挖掘技术的实证与实验洞察:综述
对犯罪预测方法学进行了全面分析,包括统计方法、机器学习算法和深度学习技术,提出了方法学分类体系,并进行了实证评估和实验比较,以便全面了解犯罪预测算法,并展望了未来犯罪预测技术的发展和进一步研究的机会。
- 推动可解释人工智能迈向人类智能:铸造人工大脑之路
人工智能与神经科学在可解释的人工智能中的交叉是增强复杂决策过程中透明度和可解释性的关键,本文探讨了从基于特征到以人为中心的方法的可解释的人工智能方法学的演变,并深入研究了它们在包括医疗保健和金融在内的不同领域的应用。同时讨论了在生成模型的可 - 大型语言模型用于时间序列的研究概述
该综述论文详细探讨了利用大型语言模型进行时间序列分析的各种方法,包括直接提示、时间序列量化、对齐技术、利用视觉作为桥梁机制以及与其他工具的结合,同时提供了现有的多模态时间序列和文本数据集的综合概述,并分析了该新兴领域的挑战和未来机会。
- 文本到图像模型中的危害放大
我们的研究论文使用形式化定义 “harm amplification”,并开发了量化伤害扩大的方法,旨在解决 Text-to-image 模型中的安全问题,并在实际部署场景中检验了不同方法的效果,包括伤害扩大对不同性别的差异影响。
- 可转移对抗攻击的基准评估
本研究首次详细审查了对抗性攻击的可转移性方面,系统地分类和评估了各种用于增强对抗性攻击可转移性的方法学。同时,本文引入了一个基准框架 TAA-Bench,集成了十种领先的对抗性攻击可转移性方法,为跨不同模型结构的比较分析提供了一种标准化和系 - 阿拉伯光学字符识别的进展与挑战:综述
光学字符识别 (OCR) 是一个重要的过程,它涉及从扫描或打印图像中提取手写或印刷文字,将其转换为机器能够理解和处理的格式。本文旨在全面审查与阿拉伯光学字符识别 (OCR) 相关的当代应用、方法和挑战。通过对 OCR 过程中常用的技术进行彻 - 异构迁移学习综述
综述了异构迁移学习方法的最新发展,为未来的研究提供了系统的指南,包括自然语言处理、计算机视觉、多模态和生物医学等各种应用场景。
- 比较研究论文中用于预测非洲 COVID-19 病例的时间序列分析方法:文献综述
该文献综述通过比较不同的时间序列分析方法,旨在预测非洲地区的 COVID-19 病例。该研究通过系统搜索 2020 年 1 月至 2023 年 7 月之间发表的英文研究论文,重点关注利用时间序列分析方法研究非洲地区 COVID-19 数据集 - 医疗领域联邦学习的最新方法论进展
使用分布式学习方法探索医疗数据的挑战和方法,评估当前方法的系统问题并提出改进建议。
- 自动驾驶中的三维多目标跟踪:文献综述
3D 多目标跟踪是自动驾驶领域中的一个重要问题,本文对该领域的研究现状进行了综述和总结,提出了未来的研究方向,包括问题界定、分类、方法论、挑战、实验指标和数据集等方面的系统讲解和比较,为未来的研究提供了指导。
- 人类活动识别中自动数据注释技术的全面评估
本文系统性地综述了数据注释技术在 Human Activity Recognition (HAR) 领域中的应用,通过分类和分类法对现有方法进行整理,旨在为应用场景中的技术决策提供支持。
- 情感计算综述:挑战、趋势、应用和未来方向
本文介绍情感计算的重要性、方法和结果,着重探讨了机器学习和混合现实在情感计算中的应用,研究了最新的方法和数据资源,并讨论了情感计算在各种应用领域中的显著影响,从而帮助未来学者更好地理解情感计算的重要性和实用性。
- 车辆路径问题的启发式方法:综述与最新进展
本文系统调查了现有的车辆路径启发式方法,着重于近年来的研究;首先给出了车辆路由启发式算法的分类,随后回顾了它们的方法、最新发展和应用;此外,提出了最先进方法的一般框架,并深入探讨了其成功的内部机制;最后,讨论了具有显着作用和未来方向的三个新 - 解耦表示学习
本文综合性地回顾了基于直觉和群论的定义的 DRL,将 DRL 的方法学分为四组,最后分析了设计不同 DRL 模型的原则和未来研究方向。