本研究提出了一种结合大语言模型与图像生成模型的语义进化框架，旨在解决模型对特定语义概念的敏感性问题，识别影响模型表现的敏感语义，并验证了该方法的有效性。

本研究提出了一种图检索增强生成的方法，旨在解决大规模在线课程中学习者与教师互动不足的问题。通过个性化问题生成和基于教育知识图的问答，提升学习者对新知识概念的理解，提供个性化学习体验。

本研究探讨了预测算法中准确性与公平性之间的矛盾，提出通过线性组合这两者的度量来评估算法的整体价值，并为使用COMPAS数据集的分析提供理论支持。

本研究提出ANT微调框架，旨在解决文本转图像模型生成不当内容的伦理问题，通过逆转无分类引导条件，有效去除不良概念，实验结果表明其效果显著。

本研究针对土地利用分配中的变量依赖知识缺乏，提出了一种新的变量依赖定义，并获取依赖变量的掩码。通过构建新型交叉操作符，实验表明将其应用于多目标优化算法（NSGA-II和MOEA/D）显著提升了优化效果。

本研究探讨了LIME在解释黑箱模型时的信度、稳定性和适用性，填补了对LIME概念及其局限性的研究空白。通过分类和比较LIME的增强方法，提供了结构化分类法，以指导未来的研究和实践者选择合适的方法。

本研究探讨大型语言模型（LLMs）是否真正理解其表达内容，设计了新的评估任务PhysiCo。结果显示，LLMs的表现比人类低约40%，并存在随机鹦鹉现象，表明任务的挑战源于内在困难。

本研究提出了一种通用方法，通过非线性特征学习和跨层特征聚合，检测大型语言模型（LLM）内部知识的准确性和可用性。结果表明，该方法在识别虚假信息和不实内容方面表现优异，并能有效引导模型输出新概念。

Understanding what's happening behind large language models (LLMs) is essential in today's machine learning landscape.

本研究提出了一种新方法Design2GarmentCode，通过大型多模态模型将复杂设计概念转化为缝纫模式生成程序，显著提高了处理复杂设计和生成高质量缝纫模式的效率。

本研究通过德语和加利西亚语的实验，探讨词典学与人工智能中的效率与智能，分析ChatGPT 3.5生成的词典条目与传统词典的表现。

本研究提出了T2I-FactualBench，这是一个针对文本到图像生成模型的事实性评估基准，重点关注知识密集概念。实验结果表明，现有模型在该领域仍有显著改进空间。

本研究提出了一种构建与视觉概念对齐的头相关向量(HRVs)的方法，以解决文本到图像生成模型中跨注意力层理解不足的问题，从而提高图像生成的准确性和可控性。

本文提出了一种名为'CLaSP'的模型，通过自然语言查询信号特征来搜索时间序列信号。该模型利用对比学习的神经网络，克服了时间序列信号特征表示的挑战，实验表明CLaSP能准确识别信号变化点，实现有效的自然语言搜索。

Every data engineer must develop an understanding of the bias and variance tradeoff in machine learning (ML). ML is used in more applications every day. Speech and image recognition, fraud...