- KDD利用大型语言模型和强化学习优化前 K 推荐的新颖性
通过使用强化学习模型，借助大型语言模型的语义能力和用户反馈，提出了一种在大规模搜索引擎中提高推荐结果新颖性的算法。
- 使用 Rusty-DAWG 评估语言模型的 n-Gram 新颖性
研究了语言模型生成的文本与其训练语料库之间的新颖程度，并通过评估生成的 $n$-gram 的概率和 $n$- 新颖性来揭示影响生成新颖性的因素。发现对于较大的 $n$，语言模型生成的文本不如人为编写的文本新颖，但对于较小的 $n$，则更为新 - HackAtari：强劲持续增强学习的 Atari 学习环境
通过引入可控的新奇性，我们在 Atari Learning Environment 这一最常见的强化学习基准中提出了 HackAtari 框架，以增强强化学习算法的鲁棒性和行为一致性。
- 人工超乎常人智能需要无限性
最近几年，AI 系统的总体能力有了巨大提升，主要得益于在互联网规模数据上训练基础模型。然而，创建一个开放性、能够不断自我改进的 AI 系统仍然是困难的。在这篇论文中，我们认为现在已经具备了实现 AI 系统开放性的条件，并且认为这种开放性是任 - SE (3) 扩散的全新抗体设计
我们引入了 IgDiff，这是一种基于一般蛋白质骨架扩散框架的抗体可变域扩散模型，扩展到处理多条链。我们评估了我们模型生成的结构的可设计性和新颖性，发现 IgDiff 产生出高度可设计的抗体，其中包含了新颖的结合区域。抽样结构的骨干二面角与 - 走向一个形式化的创造力理论：新颖性和转化性的初步结果
通过形式化学习理论，我们提出了创造力相关概念的形式化，包括对新颖性和转换性创造力进行形式定义，并探索学习在创造性行为中的作用。通过提供形式化定义，我们证明当使用启发性集合而不是体验序列时，新颖性对于发生转换性创造力是必需的。
- 评估 AI 创造物的真实创新程度
探究人工智能是否生成真正新颖的想法，而不仅仅是重复在训练中学到的模式，通过一项新颖的实验设计，在为假设的众筹活动生成项目标题的任务中，我们比较了人工智能生成的项目标题之间的重复和复杂性，并通过扩展的最大平均偏差度量了人工智能生成的标题与实际 - LIEDER：语言信息引导的论述实体识别评估
语篇实体识别任务中，大型语言模型在识别基本的语篇实体方面展现出一定的能力，但对于控制语篇实体引入和后续参照的基本语义特性了解程度的评估仍未充分。本文提出了 Linguistically-Informed Evaluation for Dis - 去中心化多 Agent 协同探索中的新颖性共享
提出一种名为 MACE 的简单而有效的多智能体协同探索方法，通过仅传递本地新奇性，代理可以考虑其他代理的本地新奇性来近似全局新奇性，并引入加权互信息来衡量代理行为对其他代理累积新奇性的影响，在后见中将其转换为内在奖励，以鼓励代理对其他代理的 - 学术出版物基于内容的新颖度衡量方法：概念验证
通过引入信息论的新颖度量，该研究介绍了一种自动化的科学新颖度量方式，并通过面向科学常识的准确性以及领域专家的新奇性评估的结果，验证了该度量方法的有效性。该新颖度量具有可解释性、细粒度和易接近性，有望对编辑、利益相关者和政策制定者产生重要影响 - 基于地标的主动探索与稳定底层策略学习
本文介绍了一种基于目标状态和价值函数的探索策略，可以有效解决高层次策略的行动空间过大和低级别策略的动态变化导致高层次政策的不稳定性问题。
- 基于连续学习的新颖感知情感识别系统
本文提出了一种基于连续学习的方法来应对自动情感识别任务中的新颖性。
- 生成人工智能的创新前沿：管理新颖性和实用性的平衡
本文通过人类创造力文献的启示，探索生成人工智能系统中新奇和实用之间的最佳平衡，提出了包括领域特定分析、数据和迁移学习、用户喜好和定制、自定义评估指标和协作机制在内的框架，旨在在特定领域内生成既新颖又有用的内容。
- 新颖性是否可预测？
探讨如何在机器学习设计中平衡过度信任和不推广创新的问题，特别是在设计具有新性质的蛋白质方面。
- MM军事领域中的新颖性特征
研究 AI 代理人的鲁棒性来应对新奇环境，DARPA 的 SAIL-ON 计划致力于开发必要的科学来评估代理人的鲁棒性，同时利用实验室实验中使用的技术来衡量代理人检测、表征和适应新奇性的能力。
- Minecraft 建筑生成的开放式演化
本文提出了一种过程化内容生成器，根据新颖性的内在定义，演化 Minecraft 建筑物，评估个体的新颖性，通过 3D 自动编码器和探索转换阶段交替进行，使用不同方法训练自动编码器，通过重新训练自动编码器，使模型更加具有开放性复杂性，改进了候 - 理解重述度量
提出了一种新的度量方法 $ROUGE_P$ 来评估再表述的质量，并提供了证据表明当前自然语言生成度量标准不足以衡量好的再表述的期望属性。
- AAAINovGrid: 评估智能体对新颖性响应的灵活网格世界
研究提出了一种新奇性改进的强化学习方法，针对具有改变环境机制 / 属性的新奇性，提出了 NovGrid 框架及其本体，以及可以应用于 MiniGrid 兼容环境的新奇性模板，并通过内置度量指标评估了基线强化学习模型的特征。
- WSDM选择两全其美：通过多目标强化学习实现多样化且新颖的推荐
介绍了一种新的强化学习框架 SMORL，可在多重目标推荐任务中同时增加准确性，多样性和新颖性。该实验表明，在两个真实世界的数据集上，与仅关注准确性的单一目标强化学习代理相比，推荐多样性显著增加，准确性适度提高，而推荐的重复性也得到了减少，并 - 基于质量多样性优化的无监督行为发现
该论文介绍了一种使用减少维度技术自动学习行为描述符的算法，可用于生成覆盖机器人大多数可能行为的控制器集合，其表现类似于传统的手动编码方法，但不需要提供任何手动编码的行为描述符。