本研究解决了按需交付问题，提出了一种针对具有异质且未知能量存储容量的无人机（UAV）队的去中心化部署策略，结合了基于拍卖的任务分配和在线学习。研究发现，将订单分配给信心最低的竞标者竟然能缩短交付时间，并增加成功完成订单的数量，显著优于传统的基于阈值的方法。

本研究探讨了开放世界持续学习中模型处理已知与未知样本的挑战，提出了HoliTrans框架，通过非线性随机投影和分布感知原型显著提升知识迁移效果，促进理论与实践的结合。

我最近在 AI 辅助编程领域取得了进展，评测了多款产品，撰写了行业预测和提示，并开发了 4 个 Emacs 插件。

GITHUB HUGGING FACE MODELSCOPE DEMO DISCORD 注意：QwQ 的发音为 /kwju:/ ，与单词 “quill”...

本研究提出DERLPSO方法，针对微分方程中未知参数估计的挑战，显著提高了估计准确性，平均均方误差为1.13e-05，为该领域提供了新的视角。

本研究提出了一种新的分析框架——跨域潜在分布匹配（LDM），旨在解决从未对齐的多领域数据中识别内容和风格变量的难题，突破无监督表示学习的挑战。

本研究提出了一种基于代理信息的稳健概率迁移学习方法（PROMPT），旨在解决目标任务微调困难的问题。PROMPT在缺乏目标任务结果信息的情况下，通过代理信息估计目标任务效果并重加权源数据，从而降低负迁移风险。

该文章介绍了一种机器-人类管道，通过使用基于LLM的代理体系结构和将对话与人物和时间事件图进行关联，生成高质量的非常长期的对话。作者通过人类注释者对对话进行检验和编辑，以确保其长程一致性和对事件图的关联。实验结果表明，LLM在理解冗长对话和理解对话中的长程时间和因果动态方面存在挑战。使用长上下文LLM或RAG等策略可以提供改进，但这些模型仍然远远落后于人类的性能。

在稀缺训练样本条件下，研究人员提出了一种新的目标检测方法。该方法通过条件证据解耦和异常度校准损失来区分已知和未知类别，并提高未知拒绝的决策边界。实验结果表明，该方法在两个数据集上的表现优于之前的方法。

本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法，并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集，使得在异常类的模拟上更有效，即将开放集识别问题转化为传统的分类问题。此外，作者还提出了一种闭集正则化方法，以保证闭集分类性能，通过五个著名的图像数据集上的实验，也证明了该方法的有效性。

我曾以为科学前沿的未知是我的未知，但实际上人类的绝大部分已知对我来说都是未知的。