人工智能（AI）在科学领域的广泛应用为发现和创新提供了前所未有的机遇。然而，这种增长并非没有风险。科学中的人工智能模型如果被滥用，可能会放大产生有害物质或规避既定法规等风险 ...

我们提出了一种新颖的参数高效微调（PEFT）方法，称为低阶自适应自适应冻结（AFLoRA）。具体来说，对于每个预训练的冻结权重张量，我们添加可训练低秩矩阵的并行路径，即下投影和上投影矩阵，每个矩阵后跟一个特征变换向量。基于一种新颖的冻结分数，我们在微调过程中逐步冻结这些投影矩阵，以减少计算量并缓解过度拟合 ...

关键的对象检测任务是微调现有模型以检测新对象，但标准工作流程需要边界框注释，收集起来既耗时又昂贵。弱监督对象检测（WSOD）提供了一种有吸引力的替代方案，可以使用图像级标签来训练对象检测器。然而，当前 WSOD 模型的实际应用受到限制，因为它们仅在小数据规模下运行，并且需要多轮训练和细化 ...

自动驾驶汽车在道路上的行为会影响其他驾驶员的行为，并受到其他驾驶员的影响，无论是超车、协商并道还是避免事故。这种相互依赖（动态博弈论最能体现这种相互依赖性）在车辆的规划与其对其他驾驶员行为的预测之间建立了紧密的耦合，并构成了一个对自动驾驶技术的安全性和可行性产生直接影响的开放性问题。不幸的是，动态游戏对计算的要求太高，无法满足自动驾驶在连续状态和动作空间中的实时约束 ...

去噪扩散模型是一类生成模型，最近在各种深度学习问题中引起了极大的兴趣。扩散概率模型定义了一个前向扩散阶段，其中通过添加高斯噪声在几个步骤中逐渐扰动输入数据，然后学习反转扩散过程以从噪声数据样本中检索所需的无噪声数据。尽管计算负担已知，但扩散模型因其强大的模式覆盖范围和生成样本的质量而受到广泛赞赏 ...

基于聊天的语言模型的快速发展导致复杂任务解决方面取得了显着进展。然而，他们的成功在很大程度上依赖于人类输入来指导对话，这可能具有挑战性且耗时。本文探讨了构建可扩展技术以促进通信代理之间自主合作的潜力，并深入了解其“认知”过程 ...

最近的研究对语言模型中的涌现能力是大型模型所独有的信念提出了质疑。这种怀疑源于两个观察结果：1）较小的模型也可以在新兴能力上表现出高性能；2）对用于衡量这些能力的不连续指标存在疑问。在本文中，我们建议研究预训练损失镜头中的涌现能力，而不是模型大小或训练计算 ...

自动驾驶车辆（AV）需要在规划自己的运动时推理邻近智能体的多模式行为。许多现有的轨迹规划者寻求一条在所有可能的未来下同时表现良好的单一轨迹，忽略了双向交互，从而导致了过于保守的计划。策略规划，即自我代理计划对环境的多模式行为做出反应的策略，是一个有前途的方向，因为它可以解释自动驾驶汽车和环境之间的动作反应相互作用 ...