XiaoMi-AI文件搜索系统
World File Search System请取
如果您有任何疑问，请...
申请完整性：提交初步计划审查申请材料（上面列出的 1-3）后，申请人将收到一份全面的 30 天意见函，最迟不超过申请处理时间表确定的三十 (30) 天。信中包括与提供给市政府工作人员的材料和正式开发提交所需的文件相关的意见。完整授权提交的申请表可在规划申请和表格中找到；有关不需要规划授权的开发项目的说明可在建筑和安全部门网页上找到。重要更新：自 2022 年 8 月 1 日起，所有规划开发申请均已根据既定的申请处理时间表接受和审查，其中包括每周提交截止日期。在此页面上查看最新的处理时间表：规划申请处理时间表
请致电论文
Call for Papers IEEE Transactions on AES (TAES) Special Section Special Section on “Sensor Fusion in Autonomous Systems” Autonomous vehicles used in modern civilian and military applications gather and process multi-modal data gathered from a variety of sensors – cameras, radars, lidars, and ultrasonic transducers – for a variety of applications such as intelligent transportation systems, urban planning, agriculture, remote sensing, and security and 监视。本期特刊的重点是在理论分析，信号处理，机器学习，现象学，原型开发以及多模式传感器数据收集和处理的数据生成中的原始研究。将特别强调传感器校准误差的技术，尤其是当应用于包括无人驾驶汽车（UAV）无人机和无人驾驶表面车辆（USV）平台的分布式传感平台时。我们征求学术，研究和工业贡献。我们鼓励有关新算法，理论研究，标准和新颖的评估指标的贡献，用于分析性能，调查，软件和硬件实验原型，公共数据集和基准测试。尽管在TAE和其他社区中，诸如雷达，电气和红外（EO/ir）和声学等特定模式已经进行了广泛的工作和政府。该特殊部分旨在将来自学术界，政府和行业的各种相关子学科的研究人员汇集在一起，以介绍传感器融合的最新进展，以应用商业和国防领域的应用。
请致电论文
•意大利巴里理工大学Yashar Deldjoo（deldjooy@acm.org）•Shuai Zhang，美国亚马逊网络服务AI（shuaizs@amazon.com）•伯恩德·路德维格，德国德国雷格斯堡大学（bernd.ludwig@ur.line.de） lina.yao@csiro.au）•新加坡南南技术大学的Aixin Sun（axsun@ntu.edu.sg）生成的推荐系统（Gen-recsys），由大语言模型（LLMS）和其他最新的生成性体系结构（例如，effifusion型模型）（例如，扩散模型），介绍了个性化的新方法。与返回物品标识符静态列表的传统管道不同，Gen-Recsys可以发明库存外的建议（例如，提出了新想象中的衣服），产生针对用户反馈的丰富文本解释（例如，多转化的多转化理性（例如，解决特定的critiques）的多转化理性），并从事构成对话的折叠对话。这些扩展的功能为增强用户体验提供了新的机会。除了这些机会之外，Gen-Recsys还提出了新的挑战和风险。在不受管制的Web数据中训练的模型可能会继承和扩大与性别，语言，宗教和其他敏感属性有关的偏见。这些系统可能会无意间提出不存在的项目（所谓的“项目幻觉”），产生私人或有偏见的信息，并通过说服力的文本改变用户的看法。经典的离线评估主要衡量固定库存上的预测精度，不适合量化生成产量的更广泛含义。本期有关推荐系统（TOR）的ACM交易特刊（TORS）邀请了原始研究，审查文章，方法论论文以及研究生成推荐系统（Gen-Recsys）的技术和社会维度的透视文章。提交可能关注算法发展，道德准则，用户研究或全面评估策略。我们鼓励手稿阐明现实世界的应用程序，新颖的数据集和跨学科合作。主题：我们欢迎对（但不限于）与Gen-Recsys相关的以下领域提交：●生成架构：gans，vaes，vaes，扩散模型，LLMS或多模式基础模型的集成到建议管道中；用于混合，特定于上下文的建议的检索授权生成（RAG）。●个性化内容和解释生成：生产以用户为中心的说明，文本评论，叙述或合成项目（例如，服装建议，合成媒体）的新方法。●数据稀疏和冷启动解决方案：诸如合成数据生成，传输学习或跨领域的方法，以减轻稀疏或新用户方案。●对话和交互式推荐人：多转对话，实时更新和基于LLM的代理，以完善查询并预测未来的交互。●可伸缩性和效率：减少推理潜伏期和资源需求（例如蒸馏，修剪）的方法，同时保留个性化。
请致电论文
我们还鼓励学生参加学生海报会议，并在特别的博士学位会议上提交论文以供考虑。学生可以询问有关会议注册费的奖学金。教授凯瑟琳·沃尔夫拉姆（MIT斯隆学校）教授安娜·阿尔贝里尼教授（马里兰大学）Carolyn Fisher教授Carolyn Fisher（世界银行）凯瑟琳·沃尔夫拉姆教授（麻省理工学院斯隆学校）教授克里斯蒂安·戈利尔（Tualouse of Chielding of Christian of Christian von Hirschausen（Tu hirschausen）（Tu hirschausen（tuih berlin）Faltih berol（Tuih berol a）法哈德·阿拉伊兰（Kapsarc）凯瑟琳·舒伯特教授（巴黎经济学院）迈克尔·卡拉马里斯（Michael Caramaris）教授（波士顿大学）教授马克·贾卡德（Simon Fraser大学）Ricardo Raineri教授RiCardo Raineri教授（UC Chile）（UC Chile）教授Roula Inglesi-lotz（ujjayant of Pripors.ujjayant ujjayant
请致电论文
随着人工智能（AI）技术无情地创新并与自主驾驶技术更加深入地集成在一起，AI功能的自主驾驶正在迅速在广泛的领域中找到广泛的应用。这些应用程序包括无人驾驶运输和自动物流，所有这些应用程序都利用了其智能，效率和自动化功能的提高。然而，由于AI技术的固有遥不可及的性能和不成熟，具有AI的自动驾驶不可避免地会在整个培训和决策阶段都面临潜在的安全和隐私问题。同时，AI能力的自动驾驶的独特属性，例如其复杂的系统复杂性，AI决策中的可解释性有限，以及来自各种来源的各种感知数据，对现有的安全性和隐私保护技术构成了巨大挑战。这些挑战在隐藏攻击，对普遍适用的防御机制的需求以及隐私保障的效力等问题中表现出来。从更简单的角度来看，针对AI能力的自主驾驶系统的当前攻击方法是简单的，并且缺乏足够的隐蔽性，而相应的防御措施则表现出有限的有效性和可扩展性。此外，在隐私保护领域，现有技术不足以满足实际决策要求，这对于AI能力的自主驾驶系统至关重要。