Segment Anything Model 2 (SAM2) 最近在自然图像和视频的零样本提示分割方面展示了卓越的性能。然而，当应用于医学图像时，它面临着重大挑战。自发布以来，为了将 SAM2 的分割功能应用于医学成像领域，人们进行了许多尝试 ...

人工智能（AI）面临着不断发展的数据保护法和执法实践的挑战。 GDPR和CCPA等法规对机器学习（ML）模型施加了严格的合规性要求，尤其是有关个人数据使用的规定。这些法律授予个人权利，例如数据校正和删除，使依赖广泛数据集的大型语言模型（LLMS）的培训和部署变得复杂 ...

促销和折扣是现代电子商务平台的重要组成部分，它们经常被用来激励客户完成购买完成。促销还会影响收入，并可能造成货币损失，通常受到专用促销预算的限制。我们研究了在线受约束的多项选择促销个性化问题，在此优化目标是为每个客户选择促销，以最大程度地提高购买完成，同时还符合全球预算限制 ...

大型语言模型（LLMS）的广泛采用引发了有关在用户提示中暴露个人身份信息（PII）的严重隐私问题。为了应对这一挑战，我们提出了与查询无关的PII掩盖策略，并引入PII基础，这是评估隐私保护系统的第一个全面评估框架。 PII板台包括55个细粒PII类别的2,842个测试样品，具有从单个主体描述到复杂的多方相互作用的各种情况 ...

通过可验证的奖励（RLVR）的强化学习最近已成为促进大语言模型（LLMS）的自我完善的强大范式，尤其是在复杂的推理任务的领域。但是，盛行的上政策RL方法通常与训练不稳定性和效率低下。这主要是由于容量困难不匹配的原因，在这种情况下，训练数据的复杂性经常超过该模型的当前功能，从而导致严重稀疏的奖励信号和停滞的学习进度 ...

有效的及时工程仍然是充分利用LLM的功能的核心挑战。虽然精心设计的提示可以大大提高性能，但制作他们通常需要专家直觉和对任务的细微理解。此外，最有影响力的提示通常取决于微妙的语义提示，这些提示可能会揭示人类的感知，但对于指导LLM行为至关重要 ...

当前的深色图像恢复方法具有严重的效率瓶颈，主要来自以下原因：（1）计算负担和误差校正成本与依赖外部先验（手动或跨模式）相关的误差校正成本； （2）复杂的多阶段增强管道中的冗余操作； （3）频率域方法中跨频率分量的不加选择的处理，导致全球计算的过度需求。为了应对这些挑战，我们提出了一个有效的自矿工提前引导的关节频率增强网络（SPJFNET）。具体而言，我们首先引入一个自矿指导模块（SMGM），该模块 ...

用户到项目的检索一直是推荐系统中的一个活跃研究领域，并且由于模型简单性和服务效率而被广泛采用。在这项工作中，我们关注一个称为\ textit {条件检索}的变体，我们希望检索项目与条件相关（例如， ...