摘要

本文对智能电网的安全问题进行了全面综述，包括系统架构、攻击方法、防御策略和未来研究方向。文章介绍了智能电网的结构和组件，以及通信协议，并对智能电网的新兴攻击进行了分类和分析。文章还探讨了检测和缓解智能电网攻击的创新方法，包括博弈论、图论、区块链和机器学习技术。最后，文章讨论了智能电网安全的未来研究方向，包括新兴技术的研究机会、大型语言模型和对抗机器学习的潜在作用。

摘要

本文介绍了一种针对顺序组合拍卖的深度强化学习框架，旨在设计收入最优的拍卖机制。传统的强化学习方法在处理大规模连续动作空间时面临计算需求和收敛问题，而本文提出的方法利用可微分过渡模型，通过一阶梯度方法优化拍卖机制。实验结果显示，该方法在收入上显著优于分析基准和标准强化学习算法，并能扩展到包含多达50个代理和50个物品的复杂实际拍卖场景。这一研究不仅推进了拍卖设计领域的计算工具，还促进了理论结果与实际应用之间的桥梁建设。

摘要

本文通过一个案例研究，探讨了在受限的灵巧操作中，如何利用强化学习训练的重新定位控制器来辅助后续的蔬菜剥皮任务。文章提出了一种简单的系统，用于学习一个能够在重新定位后牢固握住物体的控制器，以满足剥皮任务的特定需求。该研究不仅解决了物体重新定位的问题，还展示了其在实际应用中的潜力，特别是在自动化食品准备任务中的应用。

摘要

本文介绍了一种在疫情期间进行大学课程调度的新框架，该框架基于公平性、同时出席和高精度调度三个原则。文章提出的方法确保了在疫情期间，每个课程部分至少有一定比例（例如25%）的教学在教室中进行。这种方法不同于以往的研究，它不允许轮流出席，而是要求所有学生在同一时间在多个教室中同时出席，但频率低于正常学期。此外，该方法还创建了一个高精度的、非重复的学期计划，考虑到了学期中的每一天，而不是单一的重复周。文章通过一个实际案例研究展示了该方法的有效性，即使在教室容量减少75%的情况下，该方法仍能确保至少25%的教学在教室中进行，并且超过49%的整个校园教学可以在教室中进行。

摘要

本文介绍了一种名为神经驾驶风格转移（NDST）的新方法，旨在为基于视觉的自动驾驶车辆（AV）提供个性化的驾驶体验。NDST通过将用户的独特驾驶风格融入到传统的基准驾驶模型（BDM）中，同时遵守安全参数，从而提高自动驾驶车辆的接受度和用户体验。该方法的核心是通过个性化块（PB）实现驾驶风格的转移，PB能够自适应地学习并调整以适应个人的驾驶行为，而无需修改BDM。通过对比两种不同的驾驶风格（风格A和风格B），验证了NDST方法的有效性，展示了其在提供个性化和熟悉的驾驶体验方面的潜力。

摘要

本文探讨了在机器人操作中，如何将基于视觉的策略推广到新环境的问题。传统的做法是在一个位置收集数据，训练模仿学习或强化学习策略，并在同一位置部署策略。然而，这种方法缺乏可扩展性，因为每个任务都需要在多个位置收集数据。为此，本文提出了一种新颖的方法，即在主要使用绿幕的位置收集数据，并引入绿幕增强（GreenAug）技术，利用色度键算法将背景纹理叠加到绿幕上。通过大量的实际实验，GreenAug在性能上超越了无增强、标准计算机视觉增强和先前的生成增强方法。本文倡导未来研究中的真实世界演示应利用绿幕，并应用GreenAug，以解锁对视觉上不同的新位置的策略泛化，解决当前机器人学习中场景泛化的局限性。

摘要

本文《计算性构建语法学习：现状与展望路线图》由Jonas Doumen等人撰写，旨在综述计算性构建语法学习的当前状态，并提出未来研究的方向。文章整合了先前在不同研究领域中关于形式-意义配对计算学习的研究，目标是三重：一是综合迄今提出的各种方法及其取得的成果；二是识别已成功解决的挑战部分和需要进一步研究的部分；三是提供一个路线图，以促进和优化未来在大规模、基于使用的构建语法学习方面的研究努力。

摘要

本文探讨了超球面原型学习（HPL）的几何结构，这是一种监督下的表示学习方法，旨在设计单位超球面上的类原型。HPL通过在已知的几何结构中实现尺度不变的类分离，解决了以往方法中的两个主要缺陷：（i）无原则的优化过程；（ii）仅限于单一潜在维度的理论健全性。本文通过引入一种有原则的优化过程和使用线性块码在广泛的维度中构建良好分离的原型，解决了这两个问题。此外，本文还提供了关于最优原型放置的可实现和逆向界限，证明了所提出的方法接近最优。

摘要

本文介绍了一种基于主动推理理论的新型自动驾驶车辆（AV）控制方法。传统的自动驾驶系统依赖于模块化管道、模仿学习或强化学习，这些方法在适应性、泛化能力和计算效率方面存在局限性。主动推理理论源自神经科学，将大脑视为预测机器，通过动态模型平衡感知和行动来最小化预测误差（称为“惊奇”）。本文的方法结合了主动推理和深度学习，用于AV的横向控制，使其能够在模拟城市环境中进行车道跟随操作。实验结果表明，该模型在有限数据下有效学习并泛化，显著减少了计算需求，并在适应性和效率方面优于传统方法，推动了主动推理在实际自动驾驶应用中的潜力。

摘要

这篇论文主要探讨了利用大型语言模型进行阿拉伯语故事自动生成的研究。作者通过翻译和生成数据集，并使用自定义提示模板对模型进行微调，实现了在现代标准阿拉伯语和两种阿拉伯方言中生成连贯流畅的故事。该研究还提出了一种新的阿拉伯语自动故事评估框架，并开发了两个用于自动故事生成的新数据集。通过人类评估和自动评估，证明了该模型能够生成符合特定指令的连贯和流畅的故事。

<工作原理> 该研究的关键在于使用大型语言模型（LLM）进行故事生成。作者使用了经过微调的 AraLLaMa-2-base 模型，并采用了两种微调策略：直接在 GPT-4 Turbo 生成的数据上进行微调，以及在翻译数据上进行微调后，再在 GPT-4-Turbo 生成的数据上进行微调。通过这种方式，模型能够学习到不同的故事风格和语言表达方式，从而提高生成故事的质量和多样性。

<工作流程>

1. 数据收集：作者使用了多种数据源，包括机器翻译和 GPT-4 生成的数据。对于机器翻译数据，作者使用了多语言句子嵌入进行过滤，以确保数据质量。对于 GPT-4 生成的数据，作者使用了精心设计的提示模板，以生成适合阿拉伯语上下文的故事。
2. 提示设计：提示在与 LLM 的交互中起着关键作用，它是用户与模型沟通的主要方式。作者设计了一个包含 12 个特征的提示模板，以确保生成的故事具有高质量和多样性。
3. 模型微调：作者使用了 Huggingface PEFT 库对 AraLLaMa-2-base 模型进行微调。在微调过程中，作者使用了量化技术和 QLoRA 层，以提高模型的效率和性能。
4. 评估：作者使用了 GPT-4 作为评估器，并进行了广泛的人类评估，以比较不同模型的性能和能力。

<应用前景> 该研究的应用前景非常广泛，包括娱乐、教育、游戏等领域。在娱乐领域，该技术可以用于生成多样化的故事，提高用户体验。在教育领域，该技术可以用于生成个性化的故事，满足学习者的需求。在游戏领域，该技术可以用于生成互动式故事，增强用户的参与度和享受度。

<标题> 阿拉伯语故事自动生成：大型语言模型的新突破