语言大模型 / LLM

Driving Through Uncertainty: Risk-Averse Control with LLM Commonsense for Autonomous Driving under Perception Deficits

在不确定性中驾驶：利用大语言模型常识实现风险厌恶控制以应对自动驾驶中的感知缺陷

Yuting Hu, Chenhui Xu, Ruiyang Qin, Dancheng Liu, Amir Nassereldine, Yiyu Shi, Jinjun Xiong

机构 * University at Buffalo（布法罗大学） ； University of Notre Dame（诺特尔大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出LLM-RCO框架，利用大语言模型整合人类驾驶常识，以提升自动驾驶在感知缺陷下的风险规避与适应性控制能力。

Information-driven Fusion of Pathology Foundation Models for Enhanced Disease Characterization

基于信息驱动的病理基础模型融合以增强疾病表征

Brennan Flannery, Thomas DeSilvio, Jane Nguyen, Satish E. Viswanath

机构 * Case Western Reserve University（凯斯西储大学） ； Department of Biomedical Engineering（生物医学工程系） ； Cleveland Clinic（克利夫兰诊所） ； Department of Pathology（病理学系） ； Emory University（埃默里大学） ； Department of Pediatrics（儿科学系） ； Louis Stokes VA Cleveland Medical Center（路易斯·斯托克斯退伍军人医疗中心） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)

AI总结 本研究提出基于信息驱动的病理基础模型融合方法，通过智能融合提升癌症分级和分期的预测性能与可解释性。

Comments 29 Pages, 10 figures

Enhancing Instruction-Following Capabilities in Seq2Seq Models: DoLA Adaptations for T5

增强序列到序列模型的指令遵循能力：T5的DoLA适应

Huey Sun, Anabel Yong, Lorenzo Gilly, Felipe Jin

机构 * University College London（伦敦大学学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.CL

AI总结 通过梯度激活引导方法改进T5模型的指令遵循能力，显著提升MemoTrap性能

Regime identification and control of extremes in the non-autonomous Lorenz model with chaos and intransitivity

非自治洛伦兹模型中混沌与不稳定性下的极端现象识别与控制

Moyan Liu, Qin Huang, Upmanu Lall

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 本文提出了一种基于非均匀隐马尔可夫模型和局部李雅普诺夫指数的自适应混沌控制策略，用于控制季节性驱动和噪声扰动的洛伦兹84模型中的极端现象。

DAS-MAE: A self-supervised pre-training framework for universal and high-performance representation learning of distributed fiber-optic acoustic sensing

DAS-MAE：一种用于分布式光纤声学传感通用性和高性能表示学习的自监督预训练框架

Junyi Duan, Jiageng Chen, Zuyuan He

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 DAS-MAE通过自监督预训练框架实现对分布式光纤声学传感信号的高效表示学习，提升少样本分类性能和实际应用中的识别精度。