MCTS-based Automated Negotiation Agent
Thales Research & Technology（泰雷兹研究与技术公司）；Sorbonne Université（索邦大学）；Université de Reims Champagne Ardennes（兰斯香槟-阿登大学）；Universidade Estadual do Ceará（塞阿拉州立大学）
本文提出了一种新的谈判代理模型的自动谈判。我们专注于没有时间压力的应用程序，在连续和离散域上进行多维协商。代理投标策略依赖于蒙特卡罗树搜索，这是一种流行的方法，因为它已成功地用于具有高分支因子的游戏，如围棋。它还利用了高斯过程回归和贝叶斯学习的对手建模技术。评估是通过面对现有的代理人，能够在这种情况下进行谈判：随机沃克，针锋相对和尼斯针锋相对。没有一个特工能打败我们的特工。此外，我们的方法的模块化和自适应性质在特定应用环境中优化它时是一个巨大的优势。
2019-09-12 cs.AI cs.MA
A Data-Driven Method for Recognizing Automated Negotiation Strategies
University of Amsterdam（阿姆斯特丹大学）；Delft University of Technology（代尔夫特理工大学）
了解对手的智能体有助于与之进行谈判，现有的了解对手的工作集中在偏好建模（或估计对手的效用函数）。一个重要但基本上未探索的方向是识别对手的谈判策略，它捕捉对手的战术，例如，一开始就强硬，但到了最后期限就让步了。识别复杂的、最先进的谈判策略是极具挑战性的，简单的谈判策略可能不足以达到这一目的。我们提出了一种新的数据驱动的方法来识别对手的谈判策略。我们的方法包括一个数据生成方法的代理生成域独立的序列，通过谈判与各种对手跨域，一个特征工程方法表示谈判数据的时间序列与时间步功能和整体功能，和一个混合（基于递归神经网络）深度学习方法，从投标的时间序列识别对手的策略。我们进行了广泛的实验，跨越四个问题的情况下，证明我们的方法的有效性。
2021-10-07 cs.AI cs.MA
Tasks for agent-based negotiation teams: Analysis, review, and challenges
Universitat Politècnica de València（瓦伦西亚理工大学）
基于代理的谈判团队是一组相互依赖的代理，由于他们在谈判中的共同利益而作为一个单一的谈判方加入。采用基于代理的谈判团队的原因可能会有所不同：（i）更多的计算和并行化能力，（ii）联合具有不同专业知识和技能的代理，其联合工作使得有可能解决复杂的谈判领域，（iii）代表同一方中不同利益相关者或不同偏好的必要性（例如，组织、国家和已婚夫妇）。基于Agent的谈判团队是近年来多Agent研究中的一个热点问题。因此，有必要确定良好的做法，挑战和相关的研究，可能有助于推进国家的最先进的基于代理的谈判团队。出于这个原因，在这篇文章中，我们将审查的任务进行基于代理的谈判团队。每个任务进行了分析，并与当前在不同的研究领域的进展。分析的目的是确定特殊的挑战，可能会出现由于基于代理的谈判团队的特殊性。
2016-04-16 cs.AI cs.MA
Automated Peer-to-peer Negotiation for Energy Contract Settlements in Residential Cooperatives
The University of Melbourne（墨尔本大学）；Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）；Utrecht University（乌得勒支大学）
本文提出了一种自动化的点对点谈判策略解决能源合同之间的Prosumer在住宅能源合作社考虑异质性Prosumer的偏好。这种异质性源于产消者通过多种社会和环境标准对能源合同的评估，以及产消者对这些标准的私人偏好。产消者与同行进行双边谈判，共同商定定期能源合同/贷款，包括在该期间交换的能源量和所交换能源的返回时间。谈判的产消者通过一个共同的谈判域，包括潜在的能源合同和评估这些合同从他们的估值对所需的标准对效用函数，是强大的发电和需求的不确定性。从重复的互动中，产消者逐渐了解其同行在达成更接近纳什解的能源合同方面的兼容性。在多个系统尺度上对实际需求、发电和存储配置文件进行的实证评估表明，与基线策略和代表现状策略的个体灵活性控制策略相比，所提出的基于协商的策略可以提高系统效率（以功利社会福利衡量）和公平性（以纳什社会福利衡量）。因此，我们从点对点的灵活性交换中获得系统利益，而无需任何中央协调和市场运营商，提供了一个简单而灵活有效的范例，补充了现有的市场。
2019-11-26 cs.AI cs.MA
MOANOFS: Multi-Objective Automated Negotiation based Online Feature Selection System for Big Data Classification
REsearch Groups in Intelligent Machines（智能机器研究组）；University of Sfax（斯法克斯大学）；ENIS（斯法克斯国立工程师学院）
特征选择在学习和分类任务中起着重要的作用。FS的目的是选择相关的和非冗余的功能。由于实际应用中特征数量巨大，采用批量学习技术的FS方法无法解决大数据问题，特别是当数据顺序到达时。在本文中，我们提出了一个在线特征选择系统，解决了这个问题。更具体地说，我们把在线监督的二进制分类的特征选择的问题作为一个决策问题。这个问题的哲学视野导致两个重要领域之间的杂交：特征选择使用在线学习技术（OFS）和自动协商（AN）。提出的OFS系统称为MOANOFS（多目标自动协商基于在线特征选择）使用两个层次的决策。在第一级中，从n个学习者（或OFS方法）中，我们决定哪些是k个可信的学习者（具有高置信度或信任值）。这些选出的k学习者将参加第二级。在这个层次上，我们整合我们提出的多边自动协商的OFS（MANOFS）方法，以决定最终哪个是最好的解决方案或相关功能。我们表明，MOANOFS系统是适用于不同的领域成功地实现了高精度与几个现实世界的应用。索引术语：特征选择、在线学习、多目标自动协商、信任、分类、大数据。
2019-06-18 cs.AI cs.CV cs.LG
RobEthiChor: Automated Context-aware Ethics-based Negotiation for Autonomous Robots
Department of Information Engineering and Information Sciences and Mathematics, University of L’Aquila（信息工程与信息科学及数学系，拉奎拉大学）；Department of Computer Science, Gran Sasso Science Institute（计算机科学系，格兰萨索科学研究所）
针对自主系统无法融合用户伦理偏好、多系统交互时难达成伦理共识的问题，提出可融合伦理偏好与上下文的RobEthiChor协商方法及ROS实现，经真实机器人资源争用实验验证，其协商成功率超73%、平均耗时0.67秒且具备可扩展性。
2025-10-29 cs.AI cs.SE
ChargingBoul: A Competitive Negotiating Agent with Novel Opponent Modeling
Joe Shymanski（独立研究者）
ChargingBoul通过平衡让步与对手建模，在自动化谈判竞赛中取得优异成绩，展示了其在多策略对手环境中的高效谈判能力。
2025-12-06 cs.AI cs.MA
The Automated but Risky Game: Modeling and Benchmarking Agent-to-Agent Negotiations and Transactions in Consumer Markets
Stanford University（斯坦福大学）；University of Toronto（多伦多大学）；Google DeepMind（谷歌DeepMind）；University of Southern California（南加州大学）；Massachusetts Institute of Technology（麻省理工学院）
本文构建实验框架评测多种LLM智能体在消费者市场全自动谈判与交易中的表现，发现不同智能体为用户争取的结果差异显著，且LLM行为异常可导致双方财务损失，提示用户应谨慎委托AI进行商业决策。
2025-09-20 cs.AI cs.CL cs.CY
Dialogue Diplomats: An End-to-End Multi-Agent Reinforcement Learning System for Automated Conflict Resolution and Consensus Building
School of Computing and Engineering（计算与工程学院）；College of Engineering（工程学院）；University of Wollongong（沃灵顿大学）
Dialogue Diplomats通过端到端多智能体强化学习框架，结合分层共识网络、渐进谈判协议和上下文感知奖励机制，实现复杂环境中的自动化冲突解决与共识构建。
2025-11-20 cs.AI cs.MA
CaSiNo: A Corpus of Campsite Negotiation Dialogues for Automatic Negotiation Systems
University of Southern California（南加州大学）；Rollins College（罗林斯学院）；CUNY Lehman College（纽约城市大学雷曼学院）
与人类谈判的自动化系统在教育学和对话AI中有广泛的应用。为了促进实用谈判系统的发展，我们提出了CaSiNo：一个新的语料库，超过一千个英语谈判对话。参与者扮演营地邻居的角色，为即将到来的旅行协商食物，水和柴火包。我们的设计导致多样化和语言丰富的谈判，同时保持一个听话的，封闭的域环境。受人与人谈判文献的启发，我们对说服策略进行了诠释，并进行了相关分析，以了解对话行为与谈判绩效之间的关系。我们进一步提出并评估了一个多任务框架来识别这些策略在一个给定的话语。我们发现多任务学习大大提高了所有策略标签的性能，尤其是那些最倾斜的策略标签。我们发布了数据集、注释和代码，以推动人机谈判的未来工作：https://github.com/kushalchawla/CaSiNo
2021-04-29 cs.AI cs.CL cs.HC
AppliedScientist: Automated Scientific Revision Through Iterative AI Reviewing
University of Massachusetts Boston（马萨诸塞大学波士顿分校）
提出闭环系统AppliedScientist，将AI科学家与独立AI评审结合，迭代修订被拒论文。实验表明评审引导修订优于固定提示自我修订，能解决85.3%执行弱点，但仅解决11.1%想法弱点，揭示迭代修订的局限。
2026-09-22 cs.AI
Defend: Automated Rebuttals for Peer Review with Minimal Author Guidance
TCS Research（塔塔咨询服务研究实验室）
本文提出DEFEND工具，通过作者引导的结构化推理生成反驳，提升事实准确性与反驳力度，对比三种方法显示其有效性。
2026-03-28 cs.AI
Reformulation Techniques for Automated Planning: A Systematic Review
University of Huddersfield（哈德斯菲尔德大学）
本文系统综述了自动规划中改写技术的研究，旨在提供该领域全面视角并促进未来研究。
2023-01-30 cs.AI
Evaluating the Impact of Reviewer Guideline Design on LLM-Based Automated Peer Review
Keio University（庆应义塾大学）；NEC Corporation（日本电气公司）
研究分析不同类型审稿人指南对基于大语言模型的自动同行评审的影响，通过实验发现官方会议指南效果最佳，模仿审稿人指南较差，且严格评分标准会降低性能，强调主观和整体评分的重要性。
2026-07-28 cs.AI cs.CL
REMOR: Automated Peer Review Generation with LLM Reasoning and Multi-Objective Reinforcement Learning
University of Colorado Boulder（科罗拉多大学博尔德分校）；Department of Information Science（信息科学系）；ReviewerZero AI Inc.（ReviewerZero AI公司）
本文提出REMOR框架，通过多目标强化学习训练推理大语言模型生成高质量同行评审，设计了多方面奖励函数并构建新数据集PeerRT，实验证明其性能显著优于人类评审及现有AI评审系统。
2025-06-27 cs.AI
Cooperative Automated Vehicles: a Review of Opportunities and Challenges in Socially Intelligent Vehicles Beyond Networking
School of Information Technology, Deakin University, Geelong, Victoria, Australia（澳大利亚维多利亚州吉朗迪肯大学信息技术学院）
互联自动驾驶汽车经常被吹捧为在不久的将来将在社会中普及的技术。人们可以将自动驾驶汽车视为具有人工智能（AI）功能，能够自动驾驶，感知周围环境，识别附近的物体，并进行推理和决策。我们研究的不是孤立的，而是自动驾驶汽车在其社会网络物理环境中进行合作和互动的必要性，包括合作将解决的问题，以及问题和挑战。我们回顾目前的工作，在合作的自动驾驶汽车，从文献中选择的例子的基础上。最后，我们指出，除了感知周围环境和底层网络技术之外，还需要有合作行为的能力，作为自动驾驶汽车的一种社交人工智能能力。
2019-05-22 cs.AI cs.CY
Breaking the Reviewer: Assessing the Vulnerability of Large Language Models in Automated Peer Review Under Textual Adversarial Attacks
National Yang Ming Chiao Tung University（国立阳明交通大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本研究评估了大型语言模型在自动同行评审中面对文本对抗攻击的脆弱性，发现文本操纵可显著扭曲评审结果，并提出了缓解策略以保障学术交流的完整性。
2025-10-09 cs.AI cs.CL
Review of feedback in Automated Essay Scoring
Kum Sung Middle School Number 2（金星第二中学）；KIM IL SUNG University（金日成大学）
本文综述自动作文评分系统中的反馈研究，梳理反馈类型、作文特征及最新反馈型AES系统案例，强调反馈对写作学习的关键作用。
2023-07-09 cs.AI cs.CL cs.LG
Automated Cyber Defence: A Review
Cardiff University（卡迪夫大学）
近年来，网络犯罪分子在一系列网络系统中策划了各种有组织和坚决的网络攻击，对私人和政府机构造成了严重影响。当前基于安全的自动化和编排专注于自动化固定用途和硬编码解决方案，这些解决方案很容易被现代网络攻击超越。自动网络防御的研究将允许通过顺序决策代理自主防御网络系统来开发和实现情报响应。本文通过分为两个子领域的需求分析全面阐述了自动化网络防御的发展，即自动化防御和攻击代理和自主网络操作（ACO）健身房。需求分析允许比较自动化代理，并强调ACO健身房的重要性，为他们的持续发展。的需求分析也被用来批评ACO健身房的总体目标是开发他们在现实世界的网络系统中部署自动化代理。从总体分析中解决了相关的未来挑战，以加速自动网络防御领域的发展。
2023-03-08 cs.AI cs.CR
ReviewRL: Towards Automated Scientific Review with RL
Tsinghua University（清华大学）；University of Washington（华盛顿大学）；Shanghai AI Laboratory（上海人工智能实验室）；Peking University（北京大学）；Harbin Engineering University（哈尔滨工程大学）；Beijing Institute of Technology（北京理工大学）
提出强化学习框架 ReviewRL，结合 ArXiv-MCP 检索增强、监督微调与复合奖励 RL，生成全面且有事实依据的科学论文评审，在 ICLR 2025 上显著优于现有方法。
2025-08-14 cs.AI cs.CL
Automated Code Review Using Large Language Models with Symbolic Reasoning
Computer Engineering Yıldız Technical University Istanbul, Turkiye（计算机工程 杨兹技术大学 伊斯坦布尔，土耳其）
针对LLM逻辑推理不足的问题，提出融合符号推理与提示技术的混合自动化代码审查方法，并在CodexGlue上对比CodeT5等模型，验证其可提升审查准确性与效率。
2025-07-24 cs.AI cs.SE
Automated Code Review Using Large Language Models at Ericsson: An Experience Report
Ericsson（爱立信）
针对资深开发者时间有限难以深度开展代码审查的问题，本文分享了爱立信结合大语言模型与静态程序分析开发轻量级自动化代码审查工具的实践，初步实验获积极结果，可减轻开发者认知负担。
2025-07-31 cs.AI cs.SE
AI-Based Automated Speech Therapy Tools for persons with Speech Sound Disorders: A Systematic Literature Review
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）；All India Institute of Speech and Hearing（全印度言语与听力研究所）
本文系统综述了2007-2022年基于AI的语音障碍自动言语治疗工具，发现构音障碍最受关注，多数工具为全自动且以移动游戏化应用为主，但缺乏与人类专家的有效性对比。
2024-04-18 cs.AI cs.HC
Large Language Models for Automated Literature Review: An Evaluation of Reference Generation, Abstract Writing, and Review Composition
本文提出自动评估框架，考察大语言模型在参考文献生成、文献摘要和综述构成中的表现，发现先进模型仍产生幻觉参考文献且跨学科表现不一。
2025-08-21 cs.AI cs.CL
EchoReview: Learning Peer Review from the Echoes of Scientific Citations
Harbin Institute of Technology, China（哈尔滨工业大学）；Beijing Institute of Technology, China（北京理工大学）
EchoReview通过引用上下文驱动的数据合成方法，构建了首个大规模跨会议、跨年度的评审数据集，并训练出能提升核心评审维度的自动化评审员。
2026-01-31 cs.AI cs.CL
REM-CTX: Automated Peer Review via Reinforcement Learning with Auxiliary Context
University of Colorado Boulder（科罗拉多大学博尔德分校）
REM-CTX通过强化学习与辅助上下文提升同行评审质量，实验显示其在多个领域中优于基线模型，且在质量和上下文关联性指标上表现突出。
2026-03-31 cs.AI cs.CL
CRScore: Grounding Automated Evaluation of Code Review Comments in Code Claims and Smells
Carnegie Mellon University（卡内基梅隆大学）；Language Technologies Institute（语言技术研究所）
本文提出无参考指标 CRScore，利用 LLM 与静态分析器识别的代码声明和潜在问题，从多维度细粒度评估代码审查评论，并发布 2.9k 条人工标注语料。
2025-03-16 cs.AI cs.CL cs.SE
Automated Unit Test Case Generation: A Systematic Literature Review
University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）；Monash University（墨尔本大学）
本文是一项关于自动化单元测试用例生成的系统性文献综述，整合了Genetic Algorithm和Particle Swarm Optimisation等进化方法的改进、局限性及面临的挑战，填补了自动化测试领域的知识空白。
2025-04-29 cs.AI cs.SE
RepoReviewer: A Local-First Multi-Agent Architecture for Repository-Level Code Review
RepoReviewer通过分解仓库获取、上下文合成、文件分析等步骤，提供一种实用的仓库级自动化审查架构，强调系统设计与可重用的评估工具。
2026-03-17 cs.AI cs.SE
SLIDERS: Evidence Synthesis with Autonomous Database Reconciliation for Systematic Reviews
Computer Science Department, Stanford University（斯坦福大学计算机科学系）
本文提出SLIDERS框架，通过结构化推理解决长文档集问答问题，利用关系数据库和SQL实现可扩展推理，优于现有基准。
2026-11-13 cs.AI cs.CL
CycleResearcher: Improving Automated Research via Automated Review
Research Center for Industries of the Future, Westlake University（西湖大学未来产业研究中心）；School of Engineering, Westlake University（西湖大学工程学院）；Zhejiang University（浙江大学）；William&Mary（威廉玛丽学院）；University College London（伦敦大学学院）
本文提出CycleResearcher与CycleReviewer框架，利用开源大语言模型和迭代偏好训练实现从研究到评审的完整自动化科研循环，并构建Review-5k和Research-14k数据集验证其有效性。
2025-03-08 cs.AI cs.CL cs.CY
E3: Issue-Level Backtesting for Automated Research Critique
提出E3自动化评论助手，通过问题级回测协议评估其在识别研究论文技术问题上的表现，相比人类评审和LLM基线实现最高召回率。
2026-05-26 cs.AI cs.CL
Automated Cardiac Adipose Tissue Segmentation in Computed Tomography: A Literature Review
DTU Compute, Technical University of Denmark（丹麦技术大学DTU计算中心）；Heart Centre, Rigshospitalet（哥本哈根大学医院心脏中心）；Novo Nordisk A/S（诺和诺德公司）
综述计算机断层扫描中自动分割心脏脂肪组织（EAT和PAT）的方法进展，涵盖多种方法，指出存在需更大带注释公共数据集等挑战，证明自动方法分割结果可媲美人工标注，有成为临床工具的潜力。
2026-07-21 cs.AI cs.CV
A Survey of Methods for Automated Algorithm Configuration
Bielefeld University（比勒费尔德大学）；Paderborn University（帕德博恩大学）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
算法配置（AC）涉及自动搜索最合适的参数配置的参数化算法。目前，在文献中提出了各种各样的AC问题变体和方法。现有的审查没有考虑到AC问题的所有衍生物，也没有提供完整的分类方案。为此，我们引入分类法来描述AC问题和配置方法的特点，分别。我们回顾现有的AC文献中的镜头，我们的分类，概述相关的设计选择的配置方法，对比方法和问题的变种对彼此，并描述AC在工业中的状态。最后，我们的评论提供了研究人员和从业人员在AC领域的未来研究方向。
2022-10-13 cs.AI cs.SE
AutoQual: An LLM Agent for Automated Discovery of Interpretable Features for Review Quality Assessment
Department of Electronic Engineering, BNRist, Tsinghua University（电子工程系、百度研究院、清华大学）
AutoQual是一个基于LLM的智能体框架，通过模拟人类研究过程自动发现可解释特征，用于在线评论质量评估，并在十亿级用户平台上经A/B测试验证，使平均评论浏览数增加0.79%、读者转化率提高0.27%。
2025-10-09 cs.AI cs.CL
The emergence of Large Language Models (LLM) as a tool in literature reviews: an LLM automated systematic review
Medical University of South Carolina (MUSC)（南卡罗来纳医科大学）；Clemson University（克莱姆森大学）
本研究通过LLM辅助系统综述分析LLM在科学综述各阶段的自动化应用，发现GPT类模型占主导且数据提取表现突出，实际采用LLM的综述仍有限。
2024-09-06 cs.AI cs.DL
Automated scholarly paper review: Concepts, technologies, and challenges
Xiamen University（厦门大学）；Key Laboratory of Digital Protection and Intelligent Processing of Intangible Cultural Heritage of Fujian and Taiwan, Ministry of Culture and Tourism（文化和旅游部闽台非物质文化遗产数字化保护与智能处理重点实验室）
本文提出自动化学术论文评审（ASPR）的概念与流程，综述各阶段相关技术与初步实践，分析数据、文档理解、人机交互和逻辑推理等挑战，并展望未来方向与伦理问题。
2023-07-17 cs.AI cs.CL cs.DL
Automated Paper Screening for Clinical Reviews Using Large Language Models
Cumming School of Medicine, University of Calgary（卡尔加里大学卡明医学院）；Temerty Faculty of Medicine, University of Toronto（多伦多大学特默蒂医学院）
本研究提出基于OpenAI GPT API的临床综述论文自动筛选工作流，在6篇综述超24000条数据上实现0.91的准确率，可辅助提升临床综述效率与质量。
2023-05-01 cs.AI cs.CL
The Risk to Population Health Equity Posed by Automated Decision Systems: A Narrative Review
UNSW Sydney（悉尼新南威尔士大学）
人工智能已经无处不在，并且越来越多地被用于自主做出更重要的决策。然而，对人口健康公平性的现有和可能后果的研究相对较少。使用解释学方法进行了叙述性审查，以探索当前和未来在医学和公共卫生中使用狭义人工智能和自动决策系统（ADS），出现的问题以及对公平的影响。报告显示，人们对人工智能改变医疗和公共卫生实践寄予厚望。人工智能能力的突出表现--特别是在诊断决策、风险预测和监测方面--正在刺激新冠肺炎的快速采用。自动化决策对个人和人群的健康和福祉产生重大影响。与此同时，很明显，在刑事司法等敏感领域，包括偏见，不稳定性和隐私侵蚀在内的危险已经出现，在这些领域中，狭窄的AI和ADS是常用的。关于其在保健方面的使用所引起的问题的报告已经出现。随着ADS在健康领域的使用扩大，这些危害可能会更加广泛地显现出来。偏见、不可争议性和隐私侵犯会产生使现有的社会、经济和健康差异永久化和扩大的机制。因此，在卫生领域使用ADS有可能加剧现有的人口健康不公平现象。ADS应用的工业规模和速度加大了对人口健康公平性的风险。因此，卫生从业人员和政策制定者有责任探索使用ADS的潜在影响，以确保使用人工智能促进人口健康和公平。
2022-01-20 cs.AI cs.CY
ScholarPeer: A Context-Aware Multi-Agent Framework for Automated Peer Review
Google（谷歌）
为应对机器学习论文数量激增导致的同行评审压力，ScholarPeer提出多智能体框架，通过合成领域轨迹、主动查找最新比较和深度审计技术严谨性，提升评审效率与准确性。
2026-05-09 cs.AI cs.LG cs.MA
meta-pipe: An LLM-agent pipeline for end-to-end automated systematic review and meta-analysis
MD, PhD（医学博士，哲学博士）
提出meta-pipe，一个集成文献检索、筛选、数据提取、统计分析、手稿生成和质量保证的10阶段模块化LLM智能体流水线，在关键决策点强制人工监督，并具备自动手稿生成、半自动GRADE评估、过度声明检测和双范式网络元分析等独特能力。
2026-04-05 cs.AI cs.DL cs.IR
The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review
University of Lübeck（吕贝克大学）；University of Tübingen（蒂宾根大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
该综述系统梳理了基于深度学习的自动驾驶规划系统中预测与规划的整合方式，分析不同整合原理的优劣，指出研究空白与未来方向，填补了该领域全面梳理的缺失。
2024-09-11 cs.AI cs.CV cs.LG
Large language models for automated scholarly paper review: A survey
School of Computer Science and Engineering, Guangzhou Institute of Science and Technology（计算机科学与工程学院，科学与技术研究院）；School of Economics and Management, Guizhou Normal University（经济学与管理学院，贵州师范大学）；School of Artificial Intelligence, Guangzhou Institute of Science and Technology（人工智能学院，科学与技术研究院）
本综述系统梳理了大型语言模型在自动化学术论文评审中的应用，涵盖所用模型、解决的技术瓶颈、新资源、性能问题及各方态度，并展望未来挑战与方向。
2025-06-24 cs.AI cs.CL cs.DL
Automated Review Generation Method Based on Large Language Models
School of Chemical Engineering and Technology（化学工程与技术学院）；Key Laboratory for Green Chemical Technology of Ministry of Education（教育部绿色化学技术重点实验室）；Collaborative Innovation Center of Chemical Science and Engineering (Tianjin)（化学科学与工程协同创新中心（天津））；Joint School of National University of Singapore and Tianjin University（新加坡国立大学与天津大学联合学院）；International Campus of Tianjin University（天津大学国际校园）；Zhejiang Institute of Tianjin University（天津大学浙江研究院）；AIStrucX Technologies（AIStrucX科技）
提出一种基于大语言模型的自动化综述生成方法，通过多层质量控制有效缓解幻觉问题，在丙烷脱氢催化剂等领域实现高效高质量综述生成，并发布Windows应用提升研究效率。
2025-05-01 cs.AI cs.CL physics.data-an
Finding Critical Scenarios for Automated Driving Systems: A Systematic Literature Review
Sigma Technology Consulting AB（西格玛技术咨询有限公司）；Scania CV AB（斯堪尼亚商用车有限公司）；KTH（皇家理工学院）；AVL（AVL公司）；Zenseact AB（Zenseact公司）；TU Graz（格拉茨工业大学）
基于场景的方法在自动驾驶系统的研究和工程中受到了极大的关注。由于驾驶环境的复杂性和不确定性，以及驾驶任务本身的复杂性，ADS或ADAS可能遇到的可能驾驶场景的数量几乎是无限的。因此，必须能够对情景的识别进行推理，特别是如果不加以考虑，可能会造成不可接受的风险的关键情景。关键场景对于支持设计、验证和确认工作以及作为安全案例的基础尤为重要。在本文中，我们介绍了自动驾驶背景下系统文献综述的结果。主要贡献如下：（i）为关键情景识别方法引入全面的分类法;（ii）概述基于分类法的最新研究，包括2017年至2020年的86篇论文;以及（iii）确定开放问题和进一步研究的方向。所提供的分类法包括三个主要视角，包括问题定义（原因）、解决方案（获得场景的方法）和对已建立场景的评估。此外，我们还讨论了开放的研究问题，考虑到覆盖范围，实用性和场景空间爆炸的角度。
2021-10-16 cs.AI cs.SE cs.SY
