XiaoMi-AI文件搜索系统
World File Search System信息处理系统
2021 年战略出口管制 - 政府
在本通讯中，政府介绍了其 2021 年战略出口管制政策，即军事装备和两用物品的出口管制。两用物品一词是指为民用而生产的物品，也可用于生产大规模杀伤性武器或军事装备。为了满足瑞典的国家目标和国际义务，并确保瑞典的物品出口符合既定的出口管制规则，有必要对军事装备的出口进行管制。根据《军事装备法》（1992:1300）第 1 条第 2 款，只有在出于安全或国防政策原因，并且不与瑞典的国际义务或瑞典外交政策相冲突的情况下，才可以出口军事装备。许可证申请将根据瑞典关于军事装备出口的指导方针、欧盟关于军事技术和装备出口控制共同规则的共同立场中的标准以及《武器贸易条约》（ATT）进行审议。战略产品监察局（ISP）是主管许可机构。有关裁军和不扩散大规模毁灭性武器的多边协定和文书是国际社会防止此类武器扩散努力的重要体现。可以通过控制两用物品的贸易来抵消扩散。这项工作的目标与瑞典完全一致。因此，需要严格有效的国家出口管制。出口管制是各国政府履行其与不扩散有关的国际义务的重要手段。这是瑞典政府第三十八次向瑞典议会提交关于战略出口管制政策的报告。第一份关于战略出口管制的报告于 1985 年提交。瑞典是欧洲首批报告前一年该地区活动的国家之一。从那时起，这份报告从瑞典军事装备出口的简要汇编发展成为瑞典出口管制政策的综合报告。由于政策日益透明和信息处理系统更加有效，今天可以获得更多的统计数据。与瑞典的披露政策同步，欧盟成员国自 2000 年以来逐渐制定了一项共同的详细披露政策。政府不断努力提高出口管制领域的透明度。作为提高开放性和透明度的努力的一部分，今年的通报提供了有关拒绝决定、军事装备出口的历史发展以及合作和许可生产协议等问题的详细信息 - 例如见附件 1 和附件 2。
2021 年战略出口管制 - 政府
在本通讯中，政府介绍了其 2021 年战略出口管制政策，即军事装备和两用物品的出口管制。两用物品一词是指为民用而生产的物品，也可用于生产大规模杀伤性武器或军事装备。为了满足瑞典的国家目标和国际义务，并确保瑞典的物品出口符合既定的出口管制规则，有必要对军事装备的出口进行管制。根据《军事装备法》（1992:1300）第 1 条第 2 款，只有在出于安全或国防政策原因，并且不与瑞典的国际义务或瑞典外交政策相冲突的情况下，才可以出口军事装备。许可证申请将根据瑞典关于军事装备出口的指导方针、欧盟关于军事技术和装备出口控制共同规则的共同立场中的标准以及《武器贸易条约》（ATT）进行审议。战略产品监察局（ISP）是主管许可机构。有关裁军和不扩散大规模毁灭性武器的多边协定和文书是国际社会防止此类武器扩散努力的重要体现。可以通过控制两用物品的贸易来抵消扩散。这项工作的目标与瑞典完全一致。因此，需要严格有效的国家出口管制。出口管制是各国政府履行其与不扩散有关的国际义务的重要手段。这是瑞典政府第三十八次向瑞典议会提交关于战略出口管制政策的报告。第一份关于战略出口管制的报告于 1985 年提交。瑞典是欧洲首批报告前一年该地区活动的国家之一。从那时起，这份报告从瑞典军事装备出口的简要汇编发展成为瑞典出口管制政策的综合报告。由于政策日益透明和信息处理系统更加有效，今天可以获得更多的统计数据。与瑞典的披露政策同步，欧盟成员国自 2000 年以来逐渐制定了一项共同的详细披露政策。政府不断努力提高出口管制领域的透明度。作为提高开放性和透明度的努力的一部分，今年的通报提供了有关拒绝决定、军事装备出口的历史发展以及合作和许可生产协议等问题的详细信息 - 例如见附件 1 和附件 2。
Xinrun Wang-计算与信息系统学院
[28]。Zhang，Lingxuan Zhao，Haochong Xia，Shuo Sun，Jiaze Sun，Molei Qin，Xinyi Li，Yuqing Zhao，Yilei Zhao，Xinyu Cai，Longtao Zheng，Longtao Zheng，Xinrun Wang，Bo an。金融贸易的多模式基础代理：工具增强，多元化和通才。第30届ACM SIGKDD知识发现与数据会议（KDD）的会议记录，2024年。[27]。Pengdeng Li，Shuxin Li，Chang Yang，Xinrun Wang†，Shuyue Hu，Xiao Huang，Hau Chan，Bo an。可配置的镜像下降：统一决策。第41届国际机器学习会议（ICML）会议录，2024年。[26]。Xinrun Wang ∗，Chang Yang ∗，Shuxin Li，Pengdeng Li，Xiao Huang，Hau Chan和Bo An。增强NASH平衡求解器。第33届国际人工智能会议（IJCAI）的会议记录，2024年。[25]。Pengdeng Li，Shuxin Li，Chang Yang，Xinrun Wang†，Xiao Huang，Hau Chan，Bo an。自适应PSRO：迈向自动基于人群的游戏求解器。第33届国际人工智能会议（IJCAI）的会议记录，2024年。[24]。Longtao Zheng，Rundong Wang，Xinrun Wang†，Bo An†。Synapse：轨迹-AS-exemplar提示，并带有用于计算机控制的内存。2024年国际学习代表会议（ICLR）的会议记录，2024年。[23]。Weihao Tan，Winao Zhang，Shanqi Liu，Longtao Zheng，Xinrun Wang†，Bo An†。真正的知识来自实践：通过强化学习使大型语言模型与具体的环境保持一致。2024年国际学习代表会议（ICLR）的会议记录，2024年。[22]。Shanqi Liu，Dong Xing，Pengjie Gu，Bo An，Yong Liu，Xinrun Wang†。贪婪的顺序执行：使用统一框架解决同质和异质的合作任务。2024年国际学习代表会议（ICLR）会议录，Spotlight，2024。[21]。Pengdeng Li ∗，Shuxin Li ∗，Xinrun Wang†，Jakub Cerny，Youzhi Zhang，Stephen Marcus McAleer，Hau Chan，Bo An。Grasper：追求追求问题的通才追求者。第23届国际自主代理和多代理系统会议（AAMAS）的开发项目，2024年。[20]。molei Qin，Shuo Sun，Winao Zhang，Haochong Xia，Xinrun Wang†，Bo An†。Earnhft：高频交易的有效层次增强学习。第38届AAAI人工智能会议（AAAI）的会议记录，2024年。[19]。Haochong Xia，Shuo Sun，Xinrun Wang†，Bo An†。 市场贡献：通过语义上下文将控制权添加到金融市场数据的生产中。 第38届AAAI人工智能会议（AAAI）的会议记录，2024年。 [18]。 Pengdeng Li，Runsheng Yu，Xinrun Wang†，Bo An。 大规模stackelberg均值游戏的过渡信息增强学习。 第38届AAAI人工智能会议（AAAI）的会议记录，2024年。 [17]。 shuo sun ∗，molei Qin ∗，wentao Zhang，Haochong Xia，Chuqiao Zong，Jie Ying，Yonggang Xie，Lingxuan Zhao，Xinrun Wang wang†，Bo An†。 [16]。Haochong Xia，Shuo Sun，Xinrun Wang†，Bo An†。市场贡献：通过语义上下文将控制权添加到金融市场数据的生产中。第38届AAAI人工智能会议（AAAI）的会议记录，2024年。[18]。Pengdeng Li，Runsheng Yu，Xinrun Wang†，Bo An。大规模stackelberg均值游戏的过渡信息增强学习。第38届AAAI人工智能会议（AAAI）的会议记录，2024年。[17]。shuo sun ∗，molei Qin ∗，wentao Zhang，Haochong Xia，Chuqiao Zong，Jie Ying，Yonggang Xie，Lingxuan Zhao，Xinrun Wang wang†，Bo An†。[16]。商家：一个由强化学习增强的整体定量交易平台。第三十七届神经信息处理系统会议（NEURIPS）数据集和基准曲目，2023年。Pengjie Gu，Xinyu Cai，Dong Xing，Xinrun Wang†，Mengchen Zhao，Bo An。离线RL具有离散代理表示POMDPS中的概括性。第三十七届神经信息处理系统会议（神经），2023年。[15]。Shuo Sun，Xinrun Wang†，Wanqi Xue，Xiaoxuan Lou，bo an†。掌握股票市场，并有效地混合了多元化的交易专家。第29届ACM SIGKDD知识发现与数据会议（KDD）的会议记录，2023年。[14]。Runsheng Yu，Weiyu Chen，Xinrun Wang，James Kwok。通过多目标软改进功能增强元学习。第11届学习代表国际会议（ICLR），2023年。[13]。Pengdeng Li，Xinrun Wang†，Shuxin Li，Hau Chan，Bo an。对均值现场游戏的人口大小的政策优化。第11届学习代表国际会议（ICLR），2023年。[12]。Shuxin Li，Xinrun Wang†，Youzhi Zhang†，Wanqi Xue，Jakub Cerny，Bo an。使用预训练的策略来解决大规模追求逃避游戏。第37届AAAI人工智能会议（AAAI）的会议记录，11586-
vidhi Jain -
2024年8月Anavi：使用室内室内视觉效果进行导航的音频噪声意识。Vidhi Jain，Rishi Veerapanini，Yonatan Bisk。在德国慕尼黑的机器人学习会议（CORL）会议上接受。纸|网站2024年3月FlexCap：在图像中生成丰富，本地化和灵活的字幕。Debidatta Dwibedi，Vidhi Jain，Jonathan Tompson，Andrew Zisserman，Yusuf Aytar。在加拿大温哥华的神经信息处理系统（Neurips）的会议上接受。纸|网站2024年1月VID2ROBOT：端到端的视频条件策略学习，跨注意变形金刚。Vidhi Jain , Maria Attarian, Nikhil J Joshi, Ayzaan Wahid, Danny Driess, Quan Vuong, Pannag R Sanketi, Pierre Sermanet, Stefan Welker, Christine Chan, Igor Gilitschenski, Yonatan Bisk, Debidatta Dwibedi, In Proceedings of Robotics: Science and Systems (RSS) 2024年，荷兰代尔夫特。纸|网站|视频2023年11月，如何提示您的机器人：用代码作为政策的操纵技巧的促进书。Montserrat Gonzalez Arenas, Ted Xiao, Sumeet Singh, Vidhi Jain , Allen Z. Ren, Quan Vuong, Jake Varley, Alexander Herzog, Isabel Leal, Sean Kirmani, Dorsa Sadigh, Vikas Sindhwani, Kanishka Rao, Jacky Liang, Andy Zeng.在国际机器人与自动化国际会议上（ICRA）2024年，日本横滨。2023年11月的纸张开放X-设备：机器人学习数据集和RT-X模型。开放X-授权协作。在国际机器人与自动化国际会议上（ICRA）2024年，日本横滨。（最佳纸）纸|网站2023年6月，巴掌：空间关注政策。Priyam Parasher，Vidhi Jain，Xiaohan Zhang，Jay Vakil，Sam Powers，Yonatan Bisk，Chris Paxton。在美国亚特兰大的机器人学习会议论文集（CORL）2023年，论文|网站2023年6月：荷马植物：开放式摄影库移动操作。Sriram Yenamandra, Arun Ramachandran, Karmesh Yadav, Austin S Wang, Mukul Khanna, Theophile Gervet, Tsung-Yen Yang, Vidhi Jain , Alexander Clegg, John M Turner, Zsolt Kira, Manolis Savva, Angel X Chang, Devendra Singh Chaplot, Dhruv Batra, Roozbeh Mottaghi，Yonatan Bisk，Chris Paxton。在美国亚特兰大的机器人学习会议论文集（CORL）2023年。纸|网站|竞赛 @ Neurips 2023 2022年12月，变压器是适应性的任务计划者。Vidhi Jain，Yixin Lin，Eric Undersander，Yonatan Bisk，Akshara Rai。在新西兰奥克兰2022年机器人学习会议论文集（CORL）。纸|网站|视频|代码
是时候讨论人工智能的已知风险了
关于人工智能风险和监管，而其他社区则被排除在外。纽约市人工智能现在研究所所长 Amba Kak 表示，科技行业领袖撰写的信件“本质上是在划定谁是这场对话中的专家的界限”，该研究所专注于人工智能的社会后果。人工智能系统和工具具有许多潜在优势，从合成数据到协助医疗诊断。但它们也可能造成有据可查的危害，从有偏见的决策到消除工作。专制国家已经滥用人工智能驱动的面部识别来追踪和压迫人民。有偏见的人工智能系统可能会使用不透明的算法来拒绝向人们提供福利、医疗保健或庇护——这些技术的应用很可能对边缘化社区的人们产生最大影响。关于这些问题的辩论正陷入僵局。围绕最新生成式人工智能的最大担忧之一是它可能会助长虚假信息。这项技术使得制作更多、更令人信服的虚假文字、照片和视频变得更加容易，这些文字、照片和视频可能会影响选举，或者破坏人们信任任何信息的能力，从而可能破坏社会稳定。如果科技公司真的想避免或降低这些风险，他们必须把道德、安全和问责放在工作的核心位置。目前，他们似乎不愿意这样做。OpenAI 对其最新的生成式人工智能模型 GPT4 进行了“压力测试”，促使它产生有害内容，然后采取保护措施。但尽管该公司描述了自己所做的工作，测试的全部细节和训练模型的数据并未公开。科技公司必须制定负责任地开发人工智能系统和工具的行业标准，并在产品发布前进行严格的安全测试。他们应该将完整的数据提交给能够验证它们的独立监管机构，就像制药公司在药品上市前必须向医疗当局提交临床试验数据一样。为了实现这一点，政府必须建立适当的法律和监管框架，并适用现有的法律。本月早些时候，欧洲议会批准了《人工智能法案》，该法案将根据潜在风险对欧盟的人工智能应用进行监管——例如，禁止警察在公共场所使用实时面部识别技术。研究人员必须发挥自己的作用，从下至上建立负责任的人工智能文化。该法案在成为欧盟成员国的法律之前，还有进一步的障碍需要清除，而且有人质疑该法案缺乏关于如何执行的细节，但它可能有助于制定人工智能系统的全球标准。关于人工智能风险和监管的进一步磋商，例如即将举行的英国峰会，必须邀请各种各样的与会者，包括研究人工智能危害的研究人员，以及已经或特别有可能受到该技术伤害的社区代表。4 月，大型机器学习会议 NeurIPS（神经信息处理系统）宣布通过了会议提交的道德准则。这包括一项期望，即涉及人类参与者的研究已经
SILKNET JSC供应商安全规则
1。定义1.1。“信息资产/信息”是指任何信息和知识（尤其是用于存储，处理和传输信息的技术手段，员工及其有关信息处理的知识），这对组织具有价值，并被归类为此类。1.2。“ SILKNET的数据”是指Sinknet或代表Silknet行动的人提供的信息资产，可向供应商使用，包括但不限于个人数据，以及由于供应商处理此类数据而生成的任何数据。1.3。“信息处理设施”是指任何信息处理系统，服务或基础架构或所在的物理位置。1.4。“日志”是指在有组织的记录保存系统中记录信息或事件的详细信息，该系统通常按照信息或事件的顺序进行测序。1.5。出于这些规则的目的，应根据佐治亚州法律对2023年6月14日的个人数据保护法解释（包括该规则的任何修正案）。根据法律，个人数据是指与已确定或可识别的自然人有关的任何信息。一个可识别的自然人是一个可以直接或间接地识别的人，包括他/她的名字，姓氏，身份数字，位置数据和电子通信标识符，或通过物理，生理，心理，心理，心理，遗传，经济，文化，文化或社会特征。1.6。1.7。1.8。1.9。1.10。1.11。为了解释未建立的佐治亚州的“个人数据”供应商，可能依赖一般数据保护法规（欧洲议会的2016/679法规和2016年4月27日的理事会，涉及自然人在个人数据处理以及此类数据的自由流动和废除94/46/46/46/46/46/RC的自然数据方面的保护。“供应商”是指与SILKNET有合同关系的合法人员/组织/工会。“供应商人员”/“人员”是指代表供应商工作的任何人，例如员工，顾问，承包商和子供应商。“安全控制” /“控制”是指组织和 /或技术措施的组合，通过最大程度地减少影响，消除脆弱性或防止威胁物质化来改变风险水平。“信息安全事件”/“事件”是指具有很大可能损害业务运营和威胁安全性的单一或一系列不需要或意外的安全事件。信息安全事件包括，除其他外，以及任何个人数据泄露/事件。“敏感信息资产”是指SILKNET分类的信息资产。1.12。“敏感产品”是指由Silknet提供的任何产品，其中包含Silknet的敏感信息资产，或者可能以任何方式影响Silknet的业务连续性。1.13。“敏感服务”是指由Sinknet提供的敏感信息资产或可能以任何方式影响Silknet的业务连续性的任何服务。1.14。“假名”是指以某种方式处理个人数据，以至于个人数据不再使用其他信息归因于特定的数据主体，前提是只要将这种附加信息保留并受到技术和组织措施的约束，以确保个人数据不归因于已识别的或可识别的自然人。为了解释未建立的佐治亚州的“假拟元化”供应商，可能会依靠GDPR。1.15。“非人格化”/“匿名化”是指数据处理的方式无法将数据归因于数据主体或将其归因于数据主体涉及不成比例的努力，费用和/或时间。目的是解释未建立的“非人格化”/“匿名”供应商
rndr。 Balasia博士
[C1] Agrawal T.，Balazia M.，Bremond f。：CM3T：高效多模式学习的框架，用于非病会议出版物基因交互数据集。IEEE/CVF冬季有关计算机视觉应用（WACV）的冬季会议，美国图森，2025年。[C2] Sinha S.，Balazia M.，Bremond f。：通过优化的聚合网络识别教法性白内障手术视频中的手术器械。IEEE图像处理应用和系统（IPA）的国际会议，法国里昂，2025年。[C3] Muller P.，Balazia M.，Baur T.，Dietz M.，Heimerl A.，Penzkofer A.，Schiller D.，Bremond F.，Alexandersson J.，Andre E.ACM多媒体（ACMMM），澳大利亚墨尔本，2024年。[C4] Strizhkova V.，Kachmar H.，Chaptoukaev H.，Kalandadze R.，Kukhilava N.，Tsmindashvili T.，Abo-Alzahab N.，Zuluaga M.A.：MVP：基于视频和生理信号的多模式情绪识别。在IEEE/CVF欧洲计算机愿景会议（ECCV），意大利米兰的IEEE/CVF欧洲/CVF上的情感行为分析（ABAW），2024年。[C5] Reka A.，Borza D.L.，Reilly D.，Balazia M.，Bremond F。：将门控和上下文引入时间动作检测。在IEEE/CVF欧洲计算机愿景会议（ECCV），意大利米兰的IEEE/CVF欧洲/CVF上的情感行为分析（ABAW），2024年。[C6] Tiwari U.，Majhi S.，Balazia M.，Bremond f。：自动驾驶异常检测至关重要的是：弱监督的地平线。ACM多媒体（ACMMM），第9640-9645页，加拿大渥太华，2023年。在IEEE/CVF欧洲计算机视觉会议（ECCV），意大利米兰，2024年，IEEE/CVF欧洲计算机视觉会议（ECCV）举行的自动驾驶（漫游）的强大，分发和多模式模型。[C7] Muller P.，Balazia M.，Baur T.，Dietz M.，Heimerl A.，Schiller D.，Guermal M.，Thomas D.，Bremond F.，Alexander-Sson J.，Andre E.，Andre E.[C8] Agrawal T.，Balazia M.，Muller P.，Bremond F。：多模式视觉变压器，强迫注意行为分析。IEEE/CVF计算机视觉应用（WACV）的冬季会议，第3392–3402页，美国威克罗阿，美国，2023年。[C9] Balazia M.，Muller P.，Tanczos A.L.，Liechtenstein A.，Bremond F。：社会互动的身体行为：新颖的注释和最新评估。ACM多媒体国际会议（ACMMM），第70-79页，里斯本，葡萄牙，2022年。[C10] Balazia M.，Hlavackova-Schindler K.，Sojka P.，Plant C。：Granger Causal-Ity的可解释步态识别。IEEE/IAPR国际模式认可会议（ICPR），第1069-1075页，加拿大蒙特利尔，2022年。[C11] Agrawal T.，Agarwal D.，Balazia M.，Sinha N.，Bremond f。：使用跨意识变压器和行为编码的多模式人格识别。IAPR国际视觉理论与应用会议（VISAPP），第501-508页，Virtual，2022。[C12] Sinha N.，Balazia M.，Bremond f。：火焰：面部地标热图激活的多模式凝视。IEEE国际高级视频和信号监视会议（AVSS），第1-8页，虚拟，2021年。[C13] Balazia M.，Happy S.L.，Bremond F.，Dantcheva A。：面部多么独特：一项调查研究。IEEE/IAPR国际模式识别会议（ICPR），第7066-7071页，意大利米兰，2021年。[C14] Balazia M.，Sarkar s。：在活动对象跟踪中重新调用评估。在神经信息处理系统会议上（NEURIPS），加拿大温哥华，2019年的神经信息处理系统（NEURIPS）的新知识（NEWINML）。[C15] Aakur S.，Sawyer D.，Balazia M.，Sarkar S。：对未修剪监视视频中基于建议的细粒度活动检测方法的检查。NIST关于TREC视频检索评估（TRECVID）的研讨会，《扩展视频挑战的活动》，美国盖瑟斯堡，2018年。[C16] Balazia M.，Sojka p。：您是走路的方式：不合作的MOCAP步态识别视频监视，并使用不完整和嘈杂的数据。IEEE/IAPR国际生物识别技术联合会议（IJCB），第208-215页，美国丹佛，2017年。 [C17] Balazia M.，Sojka p。：用于基于MOCAP的步态识别方法的评估框架和数据库。 IAPR关于模式识别可再现研究（RRPR）的研讨会，第33-47页，墨西哥坎昆，2016年。 [C18] Balazia M.，Sojka p。：通过最大保证金标准（扩展摘要）学习健壮的步态识别功能。 IAPR关于结构和句法模式识别（SSPR）和统计技术的国际国际研讨会（SPR），第585-586页，墨西哥梅里达，2016年。 [C19] Balazia M.，Sojka p。：与运动捕获数据相关的步态识别的独立特征。IEEE/IAPR国际生物识别技术联合会议（IJCB），第208-215页，美国丹佛，2017年。[C17] Balazia M.，Sojka p。：用于基于MOCAP的步态识别方法的评估框架和数据库。IAPR关于模式识别可再现研究（RRPR）的研讨会，第33-47页，墨西哥坎昆，2016年。[C18] Balazia M.，Sojka p。：通过最大保证金标准（扩展摘要）学习健壮的步态识别功能。IAPR关于结构和句法模式识别（SSPR）和统计技术的国际国际研讨会（SPR），第585-586页，墨西哥梅里达，2016年。[C19] Balazia M.，Sojka p。：与运动捕获数据相关的步态识别的独立特征。IAPR关于结构和句法模式识别（SSPR）和统计技术的国际国际研讨会（SPR），第310-321页，墨西哥，墨西哥，2016年。[C20] Balazia M.，Sojka p。：通过最大余量标准学习适合步态识别的功能。IEEE/IAPR国际模式识别会议（ICPR），第901-906页，墨西哥坎昆，2016年。[C21] Balazia M.，Sedmidubsky J.，Zezula P。：语义上一致的人类运动分割。国际数据库和专家系统应用程序（DEXA），第423-437页，德国慕尼黑，2014年。[C22] Sedmidubsky J.，Valcik J.，Balazia M.，Zezula p。：基于归一化步行周期的步态识别。国际视觉计算研讨会（ISVC），第11-20页，Rethymno，希腊，2012年。[C23] Valcik J.，Sedmidubsky J.，Balazia M.，Zezula P.，确定人类识别的行走周期。太平洋亚洲情报与安全信息学讲习班（PAISI），第127-135页，马来西亚吉隆坡，2012年。
利用生成式人工智能自动注释化学文档及其评估
[1] Takahiro Arima、Tomoko Okuma 和 Tatsuya Dewa。从技术文档中提取材料信息以探索新应用。自然语言处理协会第 29 届年会论文集，第 512-515 页，2023 年。[2] Annemarie Friedrich、Heike Adel、Federico Tomazic、Johannes Hingerl、Renou Benteau、Anika Marusczyk 和 Lukas Lange。SOFC-exp 语料库和神经方法在材料科学领域的信息提取。在计算语言学协会第 58 届年会论文集，第 1255-1268 页。ACL，2020 年。[3] Shu Huang 和 Jacqueline M. Cole。使用飞行数据提取器自动生成的电池材料数据库。科学数据，第 5 卷7，第1号，第2052-4463页，2020年。[4] Fabrizio Gilardi、Meysam Alizadeh和Maël Kubli。Chatgpt在文本注释任务中的表现优于众包工作者。美国国家科学院院刊，第120卷，第30期，第e2305016120页，2023年。[5] Tom Brown、Benjamin Mann、Nick Ryder、Melanie Subbiah、Jared D Kaplan、Prafulla Dhariwal、Arvind Neelakantan、Pranav Shyam、Girish Sastry、Amanda Askell、Sandhini Agarwal、Ariel Herbert-Voss、Gretchen Krueger、Tom Henighan、Rewon Child、Aditya Ramesh、Daniel Ziegler、 Jeffrey Wu、Clemens Winter、Chris Hesse、Mark Chen、Eric Sigler、Mateusz Litwin、Scott Gray、Benjamin Chess、Jack Clark、Christopher Berner、Sam McCandlish、Alec Radford、Ilya Sutskevser 和 Dario Amodei。语言模型是少样本学习器。载于《神经信息处理系统进展》，第 33 卷，第 1877-1901 页。Curran Associates, Inc.，2020 年。[6] Md Tahmid Rahman Laskar、M Saiful Bari、Mizanur Rahman、Md Amran Hossen Bhuiyan、Shafiq Joty 和 Jimmy Huang。在基准数据集上对 ChatGPT 进行系统研究和全面评估。载于《计算语言学协会研究结果：ACL 2023》，第 1877-1901 页。 431–469。ACL，2023 年 7 月。[7] Bart lomiej Koptyra、Anh Ngo、Lukasz Radli´nski 和 Jan Koco´n。Clarin-emo：使用人类注释和 chatgpt 训练情绪识别模型。在国际计算科学会议上，第 365–379 页。Springer，2023 年。[8] Taiki Watanabe、Akihiro Tamura、Takashi Ninomiya、Takuya Makino 和 Tomoya Iwakura。使用化合物释义进行化学命名实体识别的多任务学习。在 2019 年自然语言处理经验方法会议和第 9 届国际自然语言处理联合会议 (EMNLP-IJCNLP) 的论文集上，第 6244–6249 页。ACL，2019 年。[9] Amalie Trewartha、Nicholas Walker、Haoyan Huo、Sanghoon Lee、Kevin Cruse、John Dagdelen、Alexander Dunn、Kristin A. Persson、Gerbrand Ceder 和 Anubhav Jain。量化领域特定预训练在材料科学命名实体识别任务中的优势。Patterns，第 3 卷，第 4 期，第 100488 页，2022 年。[10] Gupta Tanishq、Zaki Mohd 和 NM Krishnan。Matscibert：用于文本挖掘的材料领域语言模型
kai-wei chang
[2] Hsiang-fu Yu，Cho-Jui Hsieh，Kai-Wei Chang和Chih-Jen Lin，当数据无法填充记忆中时，大型线性分类，第16届ACM SIGKDD国际知识发现与数据挖掘和数据挖掘的国际会议（KDD 2010）（KDD 2010），最佳研究论文，最佳研究论文，最佳研究论文。[3] Liunian Harold Li, Pengchuan Zhang, Haotian Zhang, Jianwei Yang, Chunyuan Li, Yiwu Zhong, Lijuan Wang, Lu Yuan, Lei Zhang, Jenq-Neng Hwang, Kai-Wei Chang , and Jianfeng Gao, Grounded Language-Image Pre-training, the Computer Vision and Pattern Recognition Conference (CVPR 2022）。最佳纸决赛入围者，在8161个提交中，有33名，最高0.4％[4] Kuan-Hao Huang，Varun Iyer，I.-Hung Hsu，Anoop Kumar，Kai-Wei Chang和Aram Galstyan。“ Paraamr：AMR反翻译的大规模句法释义数据集。”在计算语言学协会年度会议中（ACL 2023）。区域椅子奖（语义曲目中的顶纸）[5] Nikil Roashan Selvam，Sunipa Dev，Daniel Khashabi，Tushar Khot和Kai-Wei Chang。“尾巴摇晃狗：社会偏见基准的数据集建筑偏见。”在计算语言学协会年会（ACL Short）的年度会议中，2023年。杰出纸奖[6] Hritik Bansal，Yonatan Bitton，Idan Szpektor，Kai-Wei Chang和Aditya Grover。videocon：通过对比标题进行稳健的视频语言对齐。在计算机视觉和模式识别会议上（CVPR，2024）。在ICLR研讨会上有关基础模型数据问题的最佳纸张奖。[7] Pan Lu，Hritik Bansal，Tony Xia，Jiacheng Liu，Chunyuan Li，Hannaneh Hajishirzi，Hao Cheng，Kai-Wei Chang，Michel Galley和Jianfeng Gao。MathVista：评估视觉上下文中基础模型的数学推理。在国际学习表征会议上（ICLR，2024）。被选为口头（7,000份提交中的85个，前1.2％）[8] Hritik Bansal，Nishad Singhi，Yu Yang，Fan Yin，Aditya Grover和Kai-Wei Chang。“ CleanClip：减轻多模式对比学习中的数据中毒攻击。”在国际计算机愿景会议上（ICCV，2023）。为口头选择（在8088个意见中，有195个，前2.5％），ICLR的最佳纸张奖，涉及可信赖和可靠的大型机器学习模型。[9] Tao Meng，Sidi Lu，Nanyun Peng和Kai-Wei Chang。在神经信息处理系统中具有神经化甲骨文的可控文本生成（Neurips 2022）。被选为口头，201311年中有201名最高1.9％[10]洪川张，liunian Harold Li，Tao Meng，Kai-Wei Chang和Guy van den Broeck。“关于从数据中进行推理的悖论。”在人工智能国际联合会议中（IJCAI 2023）。ijcai-23中的前3个引用的论文[11] Sheng Shen，Liunian Harold Li，Hao Tan，Mohit Bansal，Anna Rohrbach，Kai-Wei Chang，Zhewei Yao和Kurt Keutz，Keurt Keutz，剪辑可以剪辑多少愿望和语言？国际学习代表会议（ICLR 2022）。iClr-22 [12] W. Ahmad，S。Chakraborty，B。Ray，K.-W。张。旨在进行程序理解和生成的预先培训。计算语言学协会北美分会（NAACL 2021），NAACL-21的前3个引用论文。太阳。[13] Z. Hu，Y。Dong，K。Wang，K.-W。 Chang和Y。gpt-gnn：图神经网络的生成预训练。ACM SIGKDD国际知识发现与数据挖掘会议（KDD 2020），在KDD-20的前10名引用论文。[14] M. Alzantot，Y。Sharma，A。Elgohary，B.-J。HO，M。Srivastava，K.-W。张。 生成自然语言对抗性示例。 自然语言经验方法会议HO，M。Srivastava，K.-W。张。生成自然语言对抗性示例。自然语言经验方法会议
学习通用门操作政策，大多数...
[1]本·艾斯纳（Ben Eisner），哈里·张（Harry Zhang）和大卫（David Hold）。flowbot3d：学习3D表达流动以操纵表达的观察。arxiv预印arxiv：2205.04382，2022。1 [2] Haoran Geng，Ziming Li，Yiran Geng，Jiayi Chen，Hao Dong和He Wang。partManip：从点云观察到学习跨类别的可推广零件操纵策略。在IEEE/CVF计算机视觉和模式识别会议论文集，第2978-2988、2023页。2 [3] Haoran Geng，Helin Xu，Chengyang Zhao，Chao Xu，Li Yi，Siyuan Huang和Wang。gapartnet：跨类别域，可通过可概括和可行的部分操纵对象感知和操纵。在IEEE/CVF计算机视觉和模式识别会议论文集，第7081–7091页，2023年。1，2 [4] Yiran Geng，Boshi AN，Haoran Geng，Yuanpei Chen，Yaodong Yang和Hao Dong。机器人操纵的端到端舞蹈学习。arxiv预印arxiv：2209.12941，2022。2 [5] James J Gibson。 提供的理论。 Hilldale，美国，1（2）：67–82，1977。 2 [6] Suhan Ling，Yian Wang，Shiguang Wu，Yuzheng Zhuang，Tianyi Xu，Yu Li，Chang Liu和Hao Dong。 铰接的物体操纵，用粗到精细的负担能力来降低点云噪声的效果。 ICRA，2024。 2 [7]刘刘，韦奇安格Xu，haoyuan fu，sufe Qian，Qiao-jun yu，Yang Han和Cewu lu。 AKB-48：一个现实世界中阐明的对象知识库。 在IEEE/CVF计算机视觉和模式识别会议论文集，第14809–14818页，2022年。2 [5] James J Gibson。提供的理论。Hilldale，美国，1（2）：67–82，1977。 2 [6] Suhan Ling，Yian Wang，Shiguang Wu，Yuzheng Zhuang，Tianyi Xu，Yu Li，Chang Liu和Hao Dong。 铰接的物体操纵，用粗到精细的负担能力来降低点云噪声的效果。 ICRA，2024。 2 [7]刘刘，韦奇安格Xu，haoyuan fu，sufe Qian，Qiao-jun yu，Yang Han和Cewu lu。 AKB-48：一个现实世界中阐明的对象知识库。 在IEEE/CVF计算机视觉和模式识别会议论文集，第14809–14818页，2022年。Hilldale，美国，1（2）：67–82，1977。2 [6] Suhan Ling，Yian Wang，Shiguang Wu，Yuzheng Zhuang，Tianyi Xu，Yu Li，Chang Liu和Hao Dong。铰接的物体操纵，用粗到精细的负担能力来降低点云噪声的效果。ICRA，2024。2 [7]刘刘，韦奇安格Xu，haoyuan fu，sufe Qian，Qiao-jun yu，Yang Han和Cewu lu。AKB-48：一个现实世界中阐明的对象知识库。在IEEE/CVF计算机视觉和模式识别会议论文集，第14809–14818页，2022年。2 [8] Kaichun MO，Leonidas J. Guibas，Mustafa Mukadam，Abhi-Nav Gupta和Shubham Tulsiani。其中2act：从pix-els到铰接3D对象的动作。在IEEE/CVF国际计算机愿景会议论文集（ICCV），第6813-6823页，2021年。1，2 [9] Chuanrou Ning，Ruihai Wu，Haoran Lu，Kaichun Mo和Hao Dong。其中2个口气：对于看不见的新型铰接对象类别的负担能力学习。在神经信息处理系统（神经）中的广告中，2023年。2 [10] Yusuke Urakami，Alec Hodgkinson，Casey Carlin，Randall Leu，Luca Rigazio和Pieter Abbeel。门口：可扩展的门打开环境和基线代理。ARXIV预印arxiv：1908.01887，2019。1，2 [11]学习开门操作的语义关键点表示。IEEE机器人技术和自动化Letters，5（4）：6980–6987，2020。1 [12] Yian Wang，Ruihai Wu，Kaichun MO，Jiaqi KE，Qingnan Fan，Leonidas Guibas和Hao Dong。adaafford：通过几乎没有相互作用，学习适应3D铰接式物体的操纵负担。欧洲计算机录像会议（ECCV 2022），2022。2 [13] Ruihai Wu，Yan Zhao，Kaichun MO，Zizheng Guo，Yian Wang，Tianhao Wu，Qingnan Fan，Xuelin Chen，Leonidas Guibas和Hao Dong。增值税：学习视觉动作