异常检测是一个重要的问题，在各种研究领域和应用领域中都进行了充分研究。这项调查的目的是两个方面，首先，我们提出了基于深度学习的异常检测中研究方法的结构化和全面的概述。此外，我们回顾了这些方法在各个应用领域中采用异常方法并评估其有效性 ...

LLMS的测试时间计算的增加显示了跨域的希望，但尽管广泛研究了数学研究，但在代码生成中仍未充满信心。在本文中，我们提出了S*，这是第一个混合测试时间缩放框架，可大大提高生成代码的覆盖范围和选择精度。 S*通过顺序缩放扩展了现有的并行缩放范式以推动性能边界 ...

在本文中，我们研究了单视图像引导点云完成的任务。现有方法通过将图像的信息明确或隐式融合到点云中，从而获得了有希望的结果。但是，鉴于该图像具有全局形状信息，而部分点云具有丰富的本地细节，我们认为在执行模态融合时，两种方式都需要相等的关注 ...

许多先前的研究主要强调各个邻域点的构建关系向量，并为每个向量生成动态内核，并将其嵌入高维空间中以捕获隐式的局部结构。但是，我们认为，由于缺乏明确的结构信息，这种隐式高维结构建模不足表示点云的局部几何结构。因此，我们介绍了X-3D，这是一种显式的3D结构建模方法 ...

尽管多视融合在LiDAR分割中表现出了潜力，但其依赖于计算密集的基于点的相互作用，这是由于范围视图和Bird's-eye视图（BEV）之间缺乏固定的对应关系而引起的，它阻碍了其实际部署。本文挑战了普遍的观念，即多视融合对于实现高性能至关重要。我们证明，可以通过直接融合BEV空间内的极性和笛卡尔分区策略来实现巨大的收益 ...

知识图使用两个实体之间的关系存储事实。在这项工作中，我们解决了在知识超图中链接预测的问题，在这些问题上，在任何数量的实体上都定义了关系。尽管存在将非二进制关系转换为二进制关系的技术（例如重新化），但我们表明，当前基于嵌入的知识图的方法无法开箱即用这些技术获得的知识图 ...

因果结构发现方法通常应用于已知因果变量并可以使用统计检验来评估因果关系的结构化数据。相比之下，从非结构化的自然语言数据（例如新闻文章）中恢复因果结构，由于缺乏已知变量或反事实数据以估计因果关系链接而面临许多挑战。大型语言模型（LLM）在这个方向上显示出令人鼓舞的结果，但也表现出局限性 ...

跨域少数声语义分割（CD-FSS）旨在训练通用模型，这些模型可以通过几个标记的图像从不同域进行分割类别。以前的工作证明了特征转化在解决CD-FSS中的有效性。但是，他们完全依靠支持图像进行特征转换，并且反复利用每个班级的一些支持图像很容易导致过度拟合和忽略级别的外观差异 ...