論文快讀

自從生成式 AI 興起後，怎麼下 prompt 也成為熱門話題，prompt engineering 更成為新的研究領域。本文將專注於對 LLM prompt engineering 的探討，並介紹當前主流的 ReAct prompting。

表格資料（Tabular data）是關鍵的機器學習資料。儘管傳統機器學習方法如梯度提升樹（包含知名的 LightGBM 以及 XGBoost）在這方面表現突出，但大型語言模型（LLM）的興起帶來了新的挑戰與機會。本文探討 LLM 如何在未直接接觸資料的情況下分類表格資料，並分析「TabLLM」項目的創新方法和成果。

本文旨在尋找一種方法，能有效地結合局部與全域特徵，提供模型更全面的資訊。為此，我們將介紹一種專門設計來整合這兩種特徵的新型 CNN 模型，稱為 Global Local Mixture Network（GLMNet）。

DALL·E3 是 OpenAI 在2023年10月發布的圖像生成模型，不過，使用者僅能利用咒語與參數調整，才能繪製出滿意的圖片，在使用的自由度上大幅受限。為此，有研究者提出名為 Mini DALL·E3 的模型，近一步說明這一類利用自然語言處理跟圖像生成模型的架構，讓使用者後續能更有效的應用並生成出貼近想法的圖片

如何將 AI 應用於金融商品交易領域，一直是個熱門議題。例如預測下一個時間段的漲跌，進而判斷是否要進場？

2021 年 11 月 Samsung AI Center 提出一篇做圖像修復 (Inpainting) 的論文，這裡的圖像修復指的是重建圖像中丟失或損壞的部分，讓我們先來看看模型驚人的效果。

在物流業與製造業中，常會遇到材料分類裝箱，或是物品裝箱的問題，以往都是以人工方式排列，但這十分耗費人力，且不一定能排列最佳的裝箱方式。隨著人工智慧的興起，許多學者針對裝箱問題進行研究。

在這個機器學習或AI蓬勃崛起的年代，各個領域都能運用到相關技術，金融市場正是其中一個熱門領域，每個人都想預測市場上各個商品的高點、低點，或是上漲或下跌的趨勢，更期待能應用於股市行情的預測上。

在數據分析時，有一種資料類型是資料間具有階層結構（hierarchical-structure data），例如社交網路、RNA結構等，後續能應用在推薦系統、結構預測等議題上。這類資料通常希望可以在分析時，盡量保持原始的資料結構關係。如果讓很多維度的資料在降維後，仍然保持資料結構的關係，無疑可以大大提高模型預測的準確性。以下是UC Berkeley的Guo等人在2022年6月提出的新方法。