神经胶质瘤是成年人中最常见的恶性原发性脑肿瘤，也是最致命的癌症类型之一。由于遗传多样性和外观，形状，组织学和治疗反应的遗传多样性和高内在异质性，因此在治疗和监测中面临许多挑战。治疗包括手术，辐射和全身疗法，磁共振成像（MRI）在治疗计划和治疗后纵向评估中起关键作用 ...

交叉宣传的自动论文评分（AES）要求系统使用非目标推出论文来为目标推出论文授予分数。由于获得了特定提示的大量预先毕业的论文通常是困难且不现实的，因此交叉宣传的任务对于开发现实世界中的AES系统至关重要，但它仍然是研究不足的研究领域。专为迅速特异性AE设计而设计的模型在很大程度上依赖于特定的知识，并且在交叉点环境中表现不佳，而当前的交叉竞争方法AES的方法要么需要一定数量的标签目标贡献论文，要么需要 ...

奖励建模对于使大型语言模型 (LLM) 与人类偏好保持一致至关重要，尤其是在基于人类反馈的强化学习 (RLHF) 中。然而，当前的奖励模型主要产生标量分数，并且很难以自然语言格式纳入批评。我们假设预测批评和标量奖励将提高奖励建模能力 ...

当前基于学习的主题自定义方法主要依赖于U-NET体系结构，具有有限的概括能力和图像质量受损。同时，基于优化的方法需要特定于主题的微调，这不可避免地会降低文本可控性。为了应对这些挑战，我们提出了InstantCharacter，这是基础扩散 Transformer 建立的角色自定义的可扩展框架 ...

事实证明，基于子图的方法在预测药物相互作用（DDIS）方面是有效且可解释的，这对于医学实践和药物开发至关重要。在这些方法中，子图选择和编码是关键阶段，但是由于手动调整的高成本，自定义这些组件仍未被忽略。在这项研究中，受神经体系结构搜索（NAS）的成功启发，我们提出了一种搜索基于子图的框架中数据特定组件的方法 ...

时间序列分类（TSC）是现代Web应用程序的基石，诸如财务数据分析，网络流量监控和用户行为分析等任务。近年来，深度神经网络（DNN）大大提高了这些关键领域中TSC模型的性能。但是，DNN容易受到后门攻击的攻击，攻击者可以秘密植入物触发模型以引起恶意结果 ...

我们从没有奖励功能的情况下从专家演示中解决政策学习问题。在这个领域的一个核心挑战是，由于分配转移，环境随机性或复杂错误的问题，这些政策在部署后失败。对抗性模仿学习可以减轻此问题，但需要额外的上式培训样本以进行稳定，这是由于学习效率低下和样本复杂性高的现实领域带来的挑战 ...

Openai O1的突破突出了提高推理改善LLM的潜力。然而，大多数推理研究都集中在数学任务上，使诸如医学之类的领域尚未得到充实。鉴于医疗保健的高标准，该医疗领域虽然与数学不同，但也需要强大的推理来提供可靠的答案 ...