- 2024 年 V3Det 挑战赛：广泛词汇和开放词汇目标检测的方法和结果
通过分析参与者提交的方法和解决方案，我们旨在激励巨大词汇和开放词汇目标检测领域的未来研究方向，推动该领域的进展。
- 图神经后门：基础、方法学、应用与未来发展方向
通过定义、总结与分类当前的 GNN 后门攻击和防御，应用场景的分析以及对 GNN 后门潜在研究方向的探索，本论文提供了对 GNN 后门的调查，并在图后门原理方面做出探索，为防御方提供见解并推动未来的安全研究。
- CTBENCH：认证训练库和基准
CTBENCH 是一个统一的库和高质量的基准测试，用于证明训练。通过在公平设置和系统调整的超参数下评估所有算法，CTBENCH 展示了几乎所有算法超越了文献中所报道的性能，并建立了新的最先进方法，同时揭示了近期算法的优势在强化基线后明显减弱 - 编辑巨人的思维：关于大型语言模型知识编辑陷阱的深度探索
知识编辑是一种有效更新大型语言模型中的实际知识而最小化参数改动的新兴技术。然而，近期研究发现一些令人担忧的副作用，如知识扭曲和综合能力下降，这在编辑后产生了。本调查综合研究了这些副作用，提供了一个统一的观点，对于 LLMs 中的知识编辑所面 - 手写签名技术的透视分析
手写签名作为生物特征在科学界引起了争议，过去 40 年来对签名研究的兴趣不断增长，主要参考应用自动签名验证，通过对过去 10 年手写签名技术的系统回顾，重点关注最有前景的研究领域，并试图引出可能的未来研究方向。
- 使用深度学习的动物行为分析方法：一项综述
动物行为学的关键研究方向是深度学习架构在动物行为识别中的应用、相关挑战以及未来研究方向。
- 立场文件：不解释 (视觉模型) 的上下文
如何利用上下文信息解释计算机视觉模型的新方法需要从 “何处” 到 “如何” 的改变。
- 扩散模型与遥感相遇：原理、方法和展望
扩散模型在遥感领域具有巨大潜力，在图像处理方面取得了重要进展。该研究对扩散模型在遥感领域的应用进行了全面回顾，涵盖了图像生成、增强和解释等方面，并对现有模型的局限性与进一步研究方向进行了探讨和总结。
- 通过迁移学习促进过程控制的强化学习：观点
这篇论文从迁移学习的角度提供了关于深度强化学习（DRL）在过程控制中的见解。我们分析了在过程工业领域应用 DRL 的挑战和引入迁移学习的必要性。此外，还提供了关于如何将迁移学习与 DRL 整合以增强过程控制的未来研究方向的建议和展望。
- 深度伪造生成与检测：基准和调查
对深度伪造生成和检测的最新发展进行了综合回顾和分析，并讨论了该领域的当前状态，主要集中在深度伪造生成和检测技术框架的发展，以及人脸交换、脸部再现、说话人脸生成和面部属性编辑等主流深度伪造领域的研究，并评估了各领域中的代表性方法和最新的研究成 - 消费者物联网流量调查：安全与隐私
消费物联网的安全和隐私旨在对物联网的流量分析进行调查，从中了解安全和隐私的新特征、最新进展以及待解决的挑战，并总结了物联网流量分析过程中的新特征。此外，还详细介绍了基于五个应用目标的现有研究，包括设备指纹识别、用户活动推断、恶意流量分析、安 - 利用生物分子与自然语言进行多模式学习的调研
通过综合分析最近在生物分子和自然语言的交叉建模研究领域取得的最新进展，我们阐述了生物分子技术表示的技术、多模态语言和分子数据源集成的关键目标和原理、实际应用、可用资源和数据集的总结、以及未来研究方向等。
- 路径推荐综述：方法、应用与机遇
基于城市计算的路径推荐研究综述了传统机器学习和现代深度学习方法在智能交通中的方法学应用、与城市计算场景相关的新应用、当前问题和挑战以及未来研究方向。
- 生成模型安全性：挑战与对策
探讨生成式人工智能所带来的独特安全挑战，并提出了管理这些风险的潜在研究方向。
- 超越泛化：关于图上的外域适应性问题调查
在这篇综述文章中，我们详细回顾了图形 OOD（Out-Of-Distribution）适应方法，并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。
- 人脸检测：现状与研究方向
计算机视觉领域中，人脸检测是大多数处理包含人的图像的应用的核心组件。尽管该领域已经有了很多研究，但人脸检测仍存在问题，如准确性和速度。本综述论文展示了该领域的进展以及仍需解决的重要问题，并提供了研究方向，可作为人脸检测领域的研究项目。
- IJCAI从词语到分子：化学中大型语言模型的调查
将大型语言模型 (LLMs) 整合到化学领域是一个复杂的任务，本文以细致的方法论探索了该跨学科领域的复杂性和创新，从分子信息如何通过各种表示和标记方法导入 LLMs 开始，将化学 LLMs 分为三个不同的群体，并讨论了将这些输入整合到 LL - 教育中的生成人工智能（GAIED）：进展、机遇和挑战
这篇论文是基于作者在 NeurIPS 2023 大会上组织的 GAIED 研讨会而撰写的，该研讨会旨在汇集研究人员、教育者和从业人员，探索生成型人工智能对教育的潜力。本文旨在概述研讨会活动，并突出未来在 GAIED 领域的几个研究方向。
- 演化算法与强化学习的桥梁：综述
進化強化學習 (ERL) 通過整合進化算法 (EAs) 和強化學習 (RL) 進行優化，展現了卓越的性能提升。本文綜述了 ERL 中多樣的研究分支，系統地總結了最近相關算法的發展，並確定了三個主要的研究方向：EA 輔助 RL 優化、RL 輔 - 遥感中的图像融合：概述与元分析
影像融合在遥感中是一个重要需求，本研究通过简单分类法对相关作品进行综述，涵盖了各种类型的影像融合及其应用，同时提出了开放性研究方向和未来可能的工作。