Sustainable Development Goals
PulseAugur coverage of Sustainable Development Goals — every cluster mentioning Sustainable Development Goals across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的ITL方法论实现了使用结构化框架的可解释文档对齐
研究人员开发了一种名为智能目标定位器（ITL）的新方法，用于测量文档与结构化参考框架的对齐情况。ITL旨在实现领域无关和语言可移植性，识别文本中的概念证据，并通过量化、可解释和可追溯的度量来呈现。该系统从结构化参考文档（SRD）中诱导出特定概念的术语配置文件，并为术语分配重要性权重。使用17个可持续发展目标的内部评估表明，ITL能够准确地区分概念配置文件，每个目标陈述都与其对应的概念具有最高的亲和力。
-
新型ADAPT模型通过物理感知增强HVAC控制
研究人员开发了ADAPT，一种新颖的物理感知扩散世界模型，旨在改进HVAC控制系统。该模型通过结合潜在热惯性和热平衡正则化器，解决了热力学响应延迟和数据有限等挑战。实验表明，在标准条件下，ADAPT可将HVAC能耗降低7.3%，将居住者不适感降低30.2%，同时在分布外场景中保持稳健性能。
-
深度学习在预测尼泊尔儿童营养不良方面显示出潜力
一项发表在arXiv上的新研究探讨了深度学习和传统机器学习技术在预测尼泊尔儿童营养不良方面的应用。研究人员比较了16种不同的算法，发现深度学习模型TabNet表现最佳。该研究使用了2019年尼泊尔多指标类集调查（MICS）的数据，并将母亲教育、家庭财富和儿童年龄确定为关键预测因素。这项研究为识别高危儿童和指导干预措施提供了一个可扩展的框架，支持尼泊尔实现可持续发展目标。
-
用于检测新闻文本中可持续发展目标进展的新基准数据集
研究人员推出了SDG-POD，一个旨在检测与联合国可持续发展目标（SDGs）相关的新闻文本极性的新基准数据集。此任务旨在确定新闻是表明朝着特定SDG取得进展还是出现倒退，这是现有NLP模型未能解决的一项能力。对六个最先进的LLM的评估表明，虽然这项任务仍然具有挑战性，但经过微调的模型，特别是QwQ-32B，取得了最佳性能，尤其是在SDG 9、12和15上。研究还表明，合成数据增强显著提高了模型的鲁棒性和分类准确性。
-
联合国报告：中国在实现全球发展目标方面正缩小与美国的差距
一份联合国报告表明，中国在实现全球可持续发展目标（SDGs）方面正显著缩小与美国的差距。自2015年以来，中国的进展加速，使其超越了俄罗斯，并有望在未来几年内超越美国。该报告由联合国可持续发展解决方案网络发布，强调中国与美国之间的表现差距已缩小至仅0.63分。
-
联合国敦促企业共同设计混合融资以增强经济韧性
联合国倡导企业更多地参与设计混合融资结构，以增强经济韧性。尽管混合融资有所增长，但由于其由政府和开发机构设计，而未充分听取将实施项目的公司的意见，因此往往无法实现规模化。将企业的运营现实纳入设计过程，可以为可持续发展目标（尤其是在能源和基础设施领域）所需的数万亿美元私人投资打开大门。
-
新研究绘制17个可持续发展目标之间的动态联系图
一篇新发表在arXiv上的研究论文分析了2000年至2024年间114个国家17个可持续发展目标（SDGs）之间复杂的相互依存关系。该研究采用了先进的统计方法来绘制这些关系图，识别出84个重要的联系，包括40个协同效应和44个权衡。研究结果表明，没有一个单一的目标可以作为普遍的加速器，并且可持续发展目标的层级结构是脆弱的，驱动者-接收者角色在不同指标之间的相关性较弱。该研究强调了监测时间滞后联系的适应性政策组合的重要性，并特别指出，卫…
-
AI4SDG研讨会征集关于加速可持续发展目标的论文
现已发布关于人工智能：加速可持续发展目标 (AI4SDG) 研讨会的征稿启事，该研讨会定于2026年举行。研讨会旨在探讨如何利用人工智能来推进全球可持续发展目标。
-
新框架SustainFM评估人工智能模型以实现联合国可持续发展目标
一项新的研究论文介绍SustainFM，这是一个用于根据联合国可持续发展目标评估地理空间基础模型的框架。研究发现，虽然基础模型通常优于传统方法，但它们的评估应超越准确性，包括能源效率和泛化能力等因素。该论文提倡转向以影响力驱动的方式部署这些模型，以应对复杂的可持续发展挑战。
-
新基准揭示并纠正了视觉-语言模型中的可持续发展目标偏见
研究人员推出了 SDGBiasBench，这是一个旨在评估和缓解视觉-语言模型（VLMs）在可持续发展目标（SDGs）方面偏见的新基准。该基准包含超过 500,000 个多项选择题和 50,000 个回归任务，揭示了当前的 VLMs 经常依赖于特定于可持续发展目标的先验知识，而不是视觉证据。为了解决这个问题，该团队开发了 CADE，一种无需训练的方法，可将模型准确性提高多达 25%，并将估计误差降低 12 个点。
-
Agenda 2030 和爱泼斯坦所谓的拉美控制蓝图被讨论
此集群包含一条推广标题为“Agenda2030 与拉丁美洲的新殖民主义 - 旨在实现完全控制的爱泼斯坦-犹太复国主义蓝图”的视频。该视频内容似乎是一种阴谋论，将 Agenda 2030、新殖民主义以及爱泼斯坦等人物联系起来，重点关注拉丁美洲和全球政治参与者。相关的 Mastodon 帖子包含许多涵盖政治和社会主题的标签，其中提到了“ai”。
-
新的扩散模型技术加速视频恢复和图像采样
研究人员开发了改进扩散模型以解决各种逆问题的[新方法](https://arxiv.org/abs/2405.18483)。一种名为AVIS的方法使用自回归扩散模型来加速视频恢复，显著降低延迟并提高吞吐量。另一项开发LAMP通过结合滞后时间校正来增强用于图像恢复任务的扩散后验采样器。此外，Stein Diffusion Guidance (SDG) 提供了一个无训练的后验校正框架，能够更有效地指导低密度区域，用于图像生成和蛋白质对接等任务。
-
AI模型融合卫星数据用于非洲空气质量监测
研究人员开发了一个系统，通过融合卫星数据和再分析信息来绘制非洲的PM2.5空气质量图。该系统使用LightGBM和共形预测，在来自29个国家404个监测点的超过200万条记录上进行训练。这种方法旨在量化预测不确定性并识别地理局限性，提供区域可靠性标志，以指导空气质量监测基础设施的扩展并支持可持续发展目标。