本研究探讨了知识驱动的序列分类，特别是在知识随时间变化的情况下。提出了一种新的神经符号框架，并与传统神经网络架构进行了比较，揭示了该领域的挑战及神经符号方法的不足，为未来研究提供了参考。

本研究提出了一种创新的知识驱动型入侵检测框架OmniSec，利用大语言模型（LLMs）解决现有入侵检测系统在实际部署中需大量人工干预的问题。该系统在公共基准数据集上的表现优于现有方法，展现出显著的自动化潜力。

本研究提出了一种新的知识驱动贝叶斯赌博策略（KABB）框架，旨在解决多智能体系统中的静态知识假设和协调效率低下的问题。该框架通过三维知识距离模型和知识感知的汤普森采样策略，增强了智能体的协调能力，实现高性能与低计算需求的最佳成本性能平衡。

2012年，谢伟迪从通信领域转向计算机视觉，专注于医疗人工智能。他认为通用医疗AI系统能够整合多模态数据，促进疾病诊断。团队利用网络爬虫收集医学数据，构建多模态模型，强调知识驱动的重要性，未来将关注临床需求和基因组学研究。

本文研究了链式思维（CoT）对大型语言模型（LLMs）多步推理能力的影响，发现即使包含无效推理步骤，模型仍能保持80-90%的性能。提出了知识驱动的思路连贯框架（KD-CoT），旨在改善推理过程并减轻错误传播。此外，文章还探讨了战略推理的现状与未来方向，强调跨学科方法对决策性能的提升。

本文探讨了大型语言模型（LLMs）在因果推理中的应用，提出结合知识与数据驱动的方法构建因果结构。研究表明，LLMs能有效提升因果分析的准确性和效率，尤其在医学研究中。通过设计提示和评估标准，LLMs被视为提供先验知识的有力工具，推动因果研究的发展。

本文提出了一种改进的视觉问答（VQA）评估指标，以更好地与人类判断相关联。研究通过多模态数据训练VQA系统，达到了超越人类专家的准确性。同时，探讨了大型语言模型在视觉问答中的应用，并提出了新的知识驱动评估方法，以解决物体虚构和事实准确性问题。研究强调了创建未来偏移数据集的重要性，以增强VQA模型的稳健性。

本文提出了多种推理框架，如Faithful CoT和LogiCoT，以提升大型语言模型的推理能力。研究表明，Chain-of-Thought提示显著改善模型在复杂任务中的表现，尤其在数学和推理方面。此外，结合视觉信息的多模态-CoT框架在ScienceQA基准测试中超越了人类表现。研究还探讨了知识驱动的方法，以验证和修正模型推理过程，减少错误。

该文章介绍了一种基于对话上下文和外部知识的知识驱动对话系统，通过引入主题转换框架来提供充足的主题发展知识。实验结果显示，该系统在知识选择方面具有更好的优势和泛化能力。

M2KR是一个用于知识驱动的视觉问答的框架，通过开发PreFLMR模型在各种任务中取得了最先进的结果。同时，还研究了PreFLMR的可扩展性行为，为未来多模型检索系统的发展提供了有用的参考。

本文探讨了知识驱动的自动驾驶技术，强调了数据偏差敏感性、处理长尾场景的困难和缺乏可解释性等限制。知识驱动方法被视为克服这些挑战的有希望途径。通过利用大型语言模型、世界模型、神经渲染和其他人工智能技术，梳理了该领域的先前研究工作，并为未来自动驾驶的研究和实际应用提供了洞见和指导。

本论文研究了使用深度神经网络解决多元时间序列插补问题。通过添加知识驱动的增强，包括投影时间注意力、全局自适应图卷积和Fourier插补损失，使得模型适用于多种插补问题。案例研究证明了该模型的可解释性和实证结果的有效性。

该论文介绍了一种名为KnowExpert的框架，将轻量级适配器注入预训练的语言模型中，实现知识驱动的对话任务。实验结果表明，该方法在开放领域闲聊场景中表现良好，推理效率高。