- 从像素到肖像:口头生成技术与应用的综合调研
这篇论文系统地研究了最新的深度学习和计算机视觉技术在逼真说话头部生成方面的方法,将它们分为图像驱动、音频驱动、视频驱动和其他(包括神经辐射场(NeRF)和基于 3D 的方法)四种主要方法,并深入分析每种方法的独特贡献、优势和局限性。此外,还 - 评估大学生个性发展与职业准备智能系统
探讨大学生对职业就业的准备情况,研究使用学术评估指标和智能系统以提高学生的准备性。
- 以需求驱动的方式理解生成音频人工智能
本文通过对专业音频工程师的调查,确定研究优先事项和定义各种研究任务,总结了当前音频质量和可控性方面的挑战,并强调了数据集的可用性目前是实现高质量音频生成的主要瓶颈。最后,我们根据经验证据提出了解决一些问题的潜在解决方案。
- 智能车辆感知的深度迁移学习:综述
本文是关于智能汽车感知领域的深度转移学习综述,讨论了传感器、数据以及模型带来的领域差异及其挑战。该综述总结了现有的应用、挑战和未来研究方向,以解决深度学习中的特征分布差异问题。
- 自然语言处理中的不确定性:来源、量化与应用
本文是关于自然语言处理领域内关于神经网络可靠度估计的全面综述,对各种不确定性量化方法和主要应用进行了系统性和归纳性的研究和讨论,并提出了未来研究方向。
- 自动驾驶和智能车辆里程碑二:感知和规划
本文通过三个独特的文章,概述了自动驾驶技术和智能车辆发展的历史、进展、伦理和未来方向,重点探讨了控制、计算系统、通信、高清地图、测试和人类行为等各方面的技术发展。
- 评估 “学习图论” 会议体验
本文对首届 “Learning on Graphs”(LoG) 学术会议进行了调查评估,探究会议的论文投稿和审查过程,从不同的角度,包括作者、审稿人和领域主席等,取得了基于数据的见解。
- 关于区分任何模型(SAM)的调查:视觉基础模型遇见促进工程
该文通过第一次全面调查介绍了受到重大关注的 Meta AI Research 开发的 Segment anything model(SAM)的性能表现和多种应用情况,并呼吁读者对该模型进行新的研究以促进其进一步发展。
- 自动驾驶和智能汽车里程碑 第一部分:控制、计算系统设计、通讯、高清地图、测试和人类行为
本文总结了自动驾驶和智能车辆技术发展的历史,最新里程碑,技术方向和未来研究方向,并重点介绍了控制系统设计、感知和规划两方面的进展。
- 生成式人工智能感知:一项调查,旨在衡量教师、工作人员和学生对学术界生成式人工智能工具的感知
ChatGPT 是一种自然语言处理工具,正在革命工程教育和技术与学生、教职员工之间的关系,对此进行了问卷调查,以测量 ChatGPT 对学生、教职员工的影响,并将该调查作为技术报告与其他大学和实体分享。
- 覆盖整个机器学习生命周期的 MLOps: 一项调查
本文旨在通过综合调查,以 MLOps 为过程,收集和阐述关键概念和活动及其代表作和调查,对现有机器学习技术的现状进行清晰的阐述,以便初学者(如研究人员、从业人员)了解 MLOps 过程的概述,以及在 ML 过程的每个步骤中使用的关键技术,并 - 了解 AI 编程助手的可用性
通过对 410 名开发者进行调查,本研究深入剖析了开发者使用 AI 编程助手的动机、显著的使用场景以及面临的主要可用性挑战,并提出了设计与使用此类工具的建议。
- 自主驾驶和智能车辆的里程碑:调查综述
本文提出了总体自动驾驶和智能车辆技术的调研概述,回顾了历史,总结了里程碑,提供了未来的研究方向和伦理,为研究人员和初学者之间构建了一座桥梁。
- 集成强化学习:一项调查
本文介绍了近期一种重要的处理复杂任务的方法 —— 集成强化学习,它结合了强化学习和集成学习来充分探索问题空间,具有强的推广特性。本文综述了集成强化学习的研究现状和进展,分析了其成功应用的策略,并提出了一些未来的研究方向和应用。
- 弱监督异常检测:一项综述
本研究是第一部弱监督异常检测方法的全面调查,将其分为三个弱监督设置,以及四种数据模态,并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验,并发布了源代码,以及一些弱监督异常检测方法和数据的收集。
- 反升级和泛化:一项调查
本文首次对 AU 研究及其应用进行了概述和分类,以及提供了一般框架,为现有和未来的发展分类。
- 强化学习中的新挑战:安全和隐私调查
本文从 MDP 的角度,综述强化学习存在的安全和隐私问题以及现有的解决方案,进而讨论未来的研究方向。
- 自然语言处理中代码切换研究的几十年进展:趋势和挑战的系统调查
本文针对语言学与计算机科学领域的交叉学科问题 —— 代码切换现象进行了系统性的研究综述,归纳了过去几十年的研究进展、任务挑战、学术趋势和未来研究方向等。
- 使用语言模型提示的推理:一项调查
本研究提供关于以语言模型提示为基础的推理的前沿研究的综合调查,介绍与比较了相关研究工作,并提供系统化的资源以帮助初学者,同时讨论了产生此类推理能力的潜在原因和未来的研究方向。
- 当神经模型遇到 NL2Code: 一项调查
本文为了促进自然语言处理领域,特别是 NL2Code 的发展,提出了一个基于神经网络模型的综合框架以解决该任务,并对现有研究进行了深入分析,总结了当前的挑战与未来发展方向。