标签
SeLMRoute 提出了一种大语言模型路由框架，将与候选模型无关的语义证据抽取与性能学习解耦。在 LLMRouterBench 上，跨越 15 个数据集和 20 个候选模型，该框架取得了 72.08% 的平均准确率，超越了最强的固定候选模型（69.23%），并同时支持面向性能和成本感知的路由决策。
EnSol是一种环境感知图神经网络，它通过将溶质和溶剂表示为图，并使用交叉注意力来建模相互作用，同时利用概率输出来捕捉温度效应和实验不确定性，从而预测分子溶解度。该模型在基准数据集上取得了最先进的性能，并经过实验验证。
ThinkFlow 是一种新颖的端到端潜变量记忆框架，专为终身对话代理设计，通过概率向量克服文本记忆瓶颈。它通过自进化和测试时学习实现自主个性化，性能超越现有记忆系统。
本文介绍了PGP-Clinical-TimeKAN，一种用于临床数据联合概率预测的轨迹优先框架，该框架在ICU数据集上评估，相比现有模型，在准确性和概率性能上有所提升。
本文介绍了一个计算模型，该模型利用语言和代码的概率推理来模拟人类的归纳学习和主动探究，在行为研究中表现优于纯LLM和经典贝叶斯模型。
本文将基于EEG的反应时间解码重新表述为事件时间后验建模，使用行为延迟作为弱监督以提高预测准确性。
本文提出了一种概率方法，用于端到端AI天气预报，通过增强Aardvark Weather模型，引入学习的观测噪声和Monte Carlo dropout，平均提高了4.2%的均值预报，并分离了偶然不确定性和认知不确定性。
本文提出了一个框架，用于量化复杂社会技术系统中AI采用的系统级危害，并通过金融基础设施中对抗性操纵的案例研究来展示风险的增加。
CLaST 提出了一种用于概率多变量时间序列预测的上下文感知对比变分自编码器框架，并在多个基准测试中展示了相对于基线方法的显著性能提升。
本文提出使用单位超球面上的von Mises-Fisher分布混合模型来建模CLIP潜在空间，比高斯假设更好地捕捉其方向性和多模态结构。该模型改善了长尾分布和分布外检测，并提供了CLIP嵌入的语义分解。
本文介绍了PGRE，一种用于动态知识图谱的概率模型，该模型利用泊松-伽马和马尔可夫过程捕获关系间依赖，在尤其稀疏场景下实现了具有竞争力的链接预测性能。
提出了一种分层贝叶斯框架，用于从多个稀疏、含噪声的数据集中对动力系统进行元学习，利用基于梯度的MCMC与嵌入的ODE求解器，对共享参数和数据集特定参数进行高效的后验推断。
提出NF-CoT，一种使用归一化流来建模LLMs中连续思维的潜在推理框架，保留了自回归优势，并以更低的成本实现了更好的代码生成性能。