本研究提出了GRASP，一个定制的AI聊天机器人框架，旨在提升居民对市政预算的理解。通过结合检索增强生成(RAG)框架，GRASP在预算查询中提供了高达78%的准确率。

本研究提出了GraspCorrect模块，通过视觉-语言模型的指导反馈，解决了机器人抓取不稳定的问题。该模块引入了任务特定约束和物体意识采样，显著提升了抓取性能和成功率。

本研究提出了NeuGrasp方法，旨在解决透明和反射物体场景中机器人抓取的挑战。该方法结合背景先验和变换器，提升了在稀疏视角下的表面重建能力。实验结果表明，NeuGrasp的抓取性能优于现有方法，同时重建质量相似。

本文研究了图相似性计算中的问题，特别是图编辑距离（GED）和最大公共子图（MCS）的计算复杂性。提出的GraSP方法通过增强节点特征和创新的图神经网络架构，实现了高效的GED和MCS预测，实验结果显示其在多项基准数据集上的效果和效率均优于现有技术，具有广泛的应用潜力。

本研究提出了一种基于扩散模型的抓取生成器，旨在从部分点云中学习抓取姿态。通过引入碰撞避免成本指导，该方法在仿真和实际场景中的抓取成功率达到90%。

该研究提出了一种使用随机密钥优化器（RKO）范例的与问题无关的 GRASP 元启发式算法，通过在贪婪随机自适应搜索过程中重复应用半贪婪构造和局部搜索过程来优化组合优化问题。使用 RKO 编码的随机密钥 GRASP 用于连续优化，并在单位超立方体中通过解码器评估解。研究还介绍了由与问题无关部分和与问题相关的解码器组成的随机密钥...

本文介绍了一种新颖的图生成模型GRASP，利用图拉普拉斯矩阵的频谱分解和扩散过程，能够快速准确地生成图。该模型在节点空间中操作，通过截断谱捕捉图的结构特性，避免了二次复杂度限制，具有较强的优势。

该研究提出了基准系统GRASP，用于评估视频多模式大型语言模型的语言理解和物理理解能力。通过两级方法进行评估，揭示了当前模型在语言理解和直观物理方面的重大缺陷。这个基准对于监测未来模型在这些能力上的进展非常重要。

我们提出了一种新的基于异构图的框架，利用细胞核的不同类型之间的相互关系进行WSI分析。通过建模为具有“核型”属性和语义相似性属性的异构图，采用新的异构图边属性转换器和基于伪标签的语义一致汇聚机制来获得图层特征，并采用因果驱动的方法来解决现有关联定位方法的局限性。实验证明，我们的框架在各种任务上具有显著优势。

该研究提出了一个新的基准系统GRASP，用于评估视频多模式大型语言模型（LLMs）的语言理解和物理理解能力。研究发现当前模型在语言理解和直观物理方面存在重大缺陷，强调了基准系统对监测未来模型进展的重要性。

该文介绍了一种深度强化学习方法，通过离线训练优化器，最小化神经网络计算图的执行成本。该方法在运行时间和峰值内存使用量上都有显着的改进。

元启发式（Metaheuristics）算法是当前大数据领域最前沿的解决实际最困难问题的一系列算法框架，针对NP-Hard组合优化问题，用元启发式搜索往往可以得到相当不错的结果。本系列内容将持续更新所有具有代表性的元启发式算法，一方面是个人学习笔记，另一方面是为了填补中文圈准确资料稀少的问题。因为学习源头为英文，部分名词的翻译并不精准，仅以个人喜好进行名词翻译，如果有别的地方不同的翻译方法，...