本研究针对现有反事实（CF）生成方法在平衡接近性、多样性和稳健性方面的不足，提出了一种增强的CF解释框架DiCE-Extended，以提高稳健性并保持可解释性。通过引入基于Dice-Sorensen系数的新稳健性度量，该方法在小输入变化下保证了解释的稳定性，实验证明其在多个基准数据集上的有效性和稳定性表现超越标准DiCE生成的解释。

本研究设计了一系列最小化算法任务，以量化现有语言模型的创造性极限。研究发现，输入层注入噪声比输出层的温度采样更能激发随机性，从而提升模型的多样性和创造性，为分析开放式创造性技能提供了新的理论框架。

Roll-Dice是一个开源网页应用项目，使用Tolgee平台进行本地化。项目通过Vite创建React应用，集成了Material UI、react-three-fiber和Tailwind CSS等。应用包含导航栏、语言选择器和游戏屏幕，提供掷骰子生成锻炼计划的功能。RollDice组件通过3D动画模拟掷骰子，提升用户互动体验。完整代码可在GitHub查看。

该研究使用3D Residual UNet模型和广义Dice焦点损失函数，成功解决了PET/CT扫描中自动分割癌性病灶的挑战。经过5折交叉验证，平均Dice相似系数为0.6687，为常规PET/CT图像分析提供了有效的分割模型。

本文提出了一种新的生物医学图像分割任务的损失函数，称为实例和实例中心（ICI）损失。ICI损失解决了实例不平衡问题，并在卒中损伤分割任务中表现出更平衡的分割效果。ICI损失相对于Dice损失和Blob损失提高了1.7-3.7％和0.6-5.0％的Dice相似系数。ICI损失是解决实例不平衡问题的潜在解决方案。

DICE是一种基于Transformer的新方法，可以从单张图像中重建具有变形的手-脸互动。通过将变形场和网格顶点位置的回归分离到两个网络分支，增强了手-脸网格恢复中的变形和接触估计。实验结果表明，DICE在准确性和物理合理性方面达到了最先进的性能水平，并且在Nvidia 4090 GPU上以20fps的交互速率运行。

该研究提出了一种名为 DICE 的新方法，通过使用大型语言模型的内部状态来检测分布内的污染，该方法在各种大型语言模型和数学推理数据集上具有高准确性，指出分布内的污染问题可能导致对现有模型真实能力的过高估计。

该研究论文研究了单目 3D 检测器在较大物体上的泛化问题，发现深度回归损失对更大物体的噪声敏感性导致性能下降。通过理论分析，提出了一种名为 SeaBird 的方法，结合了 BEV 分割和 dice 损失，实现了较大物体的泛化和 SoTA 结果。

GO-DICE是一种离线模仿学习技术，用于处理长期目标驱动的顺序任务。实验结果表明GO-DICE在Mujoco机器人任务的完成率方面有明显改善。GO-DICE还能够利用不完美的示例和部分任务分割来提高任务的性能。

本研究提出了一种新的框架，利用扩散模型预测未来轨迹，取得了最先进的性能。

Previously, in Beginners’ crash course to build apps for Teams using Teams Toolkit for Visual Studio Code, Rabia and Zhidi explained new features in Teams Toolkit and how the tool simplifies your...