echo_123qq的博客

从静态耦合到动态交互：中观尺度城市设计的智能化方法》，提出了一种基于人工智能的中观尺度城市设计新方法，旨在解决传统设计方法在动态城市需求下面临的静态耦合、效率低下等问题。

本文提出了一种可解释、可迁移、高精度的城市用地智能识别方法。实现了从“专业逻辑”到“智能建模”的转化，推动了规划基础工作的智能化转型。为未来“人机协同”的规划模式提供了重要参考。

城市建模对于城市规划、场景合成和游戏至关重要。现有的基于图像的方法生成多样化的布局，但通常缺乏几何连续性和可扩展性，而基于图的方法捕捉结构关系却忽略了地块语义。我们提出了一个可控框架，用于生成大规模 3D 矢量城市布局，该框架同时以几何和语义为条件。通过融合几何和语义属性、引入边权重以及在图中嵌入建筑高度，我们的方法将 2D 布局扩展到逼真的 3D 结构。它还允许用户通过修改语义属性直接控制输出。实验表明，该方法能生成有效的大规模城市模型，为数据驱动的规划和设计提供了有效工具。关键词: 城市布局生成；

数据收集与预处理数据源：行政分区（城市、区、区域）道路网络（路段、路口）POI（兴趣点）城市：纽约（NYC）和芝加哥（CHI）预处理：过滤无效数据、对齐空间范围、合并长尾类别。UUKG 是一个开创性的、开源的、统一的城市知识图谱数据集，通过结构感知的嵌入方法显著提升了多种城市时空预测任务的性能。该工作为城市计算和图表示学习的研究提供了重要的数据和基准支持。

UrbanKGent通过结合指令工程、工具增强与模型微调，有效解决了LLM在城市知识图谱构建中的两大挑战，实现了高效、自动、可扩展的UrbanKG构建，为智慧城市研究提供了强有力的工具支持。如果需要我进一步提炼为PPT、图示或中文简报，也可以继续告诉我。

这篇文章系统性地构建了智能城市规划的“三阶段九模块”技术流程，并为每个模块提供了具体的技术方法和典型应用案例，具有很强的实操指导意义。此阶段旨在通过智能化的感知、识别与仿真，全面、深度地认知城市系统，为规划提供依据。此阶段基于分析结果，进行预测、生成和优化，形成科学、创新的规划方案。此阶段将规划意图落实到实施与管理中，并实现动态反馈与公众参与。系统梳理智能城市规划的理论演进、技术机制与流程框架。

LLMs for Knowledge Graph Construction and Reasoning: Recent Capabilities and Future Opportunities》系统地评估了大语言模型在知识图谱构建与推理方面的能力，并提出了未来发展的方向。

本论文提出了一个清晰的。

问题背景：表面缺陷检测在工业制造中至关重要，但现有方法往往局限于特定监督模式，难以适应实际生产中标注数据的多样性。解决方案：提出，基于 SimpleNet 构建，具备以下三大创新：改进的合成异常生成方法高效的分类头设计统一的架构，支持四种监督模式成果：在多个基准数据集上取得 SOTA 性能，推理速度快（<10ms），是首个能充分利用所有可用标注数据的模型。

奠定了概率图模型和统计学习的基础。尽管后续有许多改进方法，但其核心思想（E-Step和M-Step的交替优化）仍是机器学习中的重要范式。EM算法通过迭代优化，逐步逼近真实参数，广泛应用于统计学、机器学习（如高斯混合模型、隐马尔可夫模型）等领域。，从而将缺失数据问题转化为可优化问题。因为M-Step最大化。EM算法的核心性质是。