体现人工智能（体现的AI）在智能时代的高级技术的应用中起着关键作用，在智能时代，AI系统与物体集成在一起，使他们能够感知，理性和与环境相互作用。通过将传感器用于输入和执行器进行操作，这些系统可以根据现实世界的反馈来学习和适应，从而使它们可以在动态和不可预测的环境中有效地执行任务。随着深度学习（DL），增强学习（RL）和大型语言模型（LLMS）成熟的技术，体现的AI已成为学术界和行业的主要领域，其应 ...

数字双胞胎在桥接物理和虚拟世界中起着至关重要的作用。鉴于物理世界的动态和不断发展的特征，需要大量数据传输和交换来实现虚拟世界中的同步更新。在本文中，我们提出了一个基于您的语义通信框架，只能看一次（Yolo）来构建一个虚拟苹果园，目的是降低与数据传输相关的成本 ...

随着大型语言模型 (LLM) 的出现，医学诊断领域发生了重大转变，但这些模型中的可解释性挑战在很大程度上仍未得到解决。本研究引入了诊断链（CoD）来增强基于 LLM 的医学诊断的可解释性。 CoD 将诊断过程转变为反映医生思维过程的诊断链，提供透明的推理路径 ...

时间序列模型通常处理极端事件和异常，这两者都在实际数据集中流行。这样的模型通常需要提供仔细的概率预测，这对于诸如飓风和大流行等极端事件的风险管理至关重要。但是，自动检测并学习对大规模数据集使用极端事件和异常，这通常是一项挑战，这通常需要手动努力 ...

由于对现实世界的封闭式和静态的观点，现有的点云语义细分网络无法识别未知类别并更新知识，这将诱使智能代理做出错误的决定。 To address this problem, we propose a Probability-Driven Framework (PDF) for open world semantic segmentation that includes (i) a lightweigh ...

大规模预训练的普及促进了医学基础模型的发展。但是，一些研究表明，尽管基础模型具有强大的一般特征提取能力，但它们在特定任务上的性能仍然不如特定于任务的方法。在本文中，我们探讨了一种名为``知识分解''的新观点，以提高特定医疗任务的绩效，该任务将基础模型解构为多个轻量级专家模型，每个模型都专门针对特定任务，目的是改善专业化，同时减轻资源支出 ...

分段任意模型（SAM）需要劳动密集型数据标记。我们提出了无监督Sam（unsam），用于快速、自动的全图像分割 ...

连续的离线增强学习（CORL）结合了连续和离线增强学习，使代理能够从静态数据集中学习多个任务，而无需忘记先前的任务。但是，Corl在平衡稳定性和可塑性方面面临挑战。现有的方法是采用参与者批判性结构和经验重播（ER），遭受分配变化，低效率和知识共享的障碍 ...