在学术研究的道路上，如何高效获取与自己研究领域密切相关的最新论文，始终是科研人员关注的焦点。ChatPaper为用户提供了全新的解决方案——兴趣点功能。通过个性化设置，ChatPaper每天会自动为用户筛选并推送最新的相关主题论文，确保用户不错过任何重要的研究动态。

🎯 什么是兴趣点功能？

兴趣点功能是ChatPaper的一大核心亮点。它允许用户根据自己的研究方向和兴趣点（如关键词、领域、技术方向等）进行个性化设置，实现以下功能：

  • 设置个性化研究方向和关键词：精准匹配用户的研究兴趣。
  • 自动筛选相关论文：从海量论文中智能筛选，节省用户的筛选时间。
  • 实时推送最新研究进展：每天更新，紧跟学术前沿。
ChatPaper设置兴趣点功能

📍 在哪里设置兴趣点？

ChatPaper提供了两大板块供用户进行兴趣点设置：

1. arXiv论文板块

  • 实时追踪最新arXiv论文：紧跟全球最前沿的研究。
  • 每日自动更新：每天都有新发现，保证信息的新鲜度。
  • 智能匹配相关研究：根据用户设置的兴趣点，精准推荐相关论文。

2. 会议论文集板块

  • 覆盖顶级学术会议：包括NeurIPS、ICML、CVPR、ICCV、ACL等。
  • 支持会议专项兴趣设置：针对特定会议设置兴趣点，获取更精准的推荐。
  • 上万篇优质论文资源：海量论文，任用户探索。
通过设置兴趣点，筛选出顶会论文中的相关主题内容

🚀 如何设置兴趣点？

兴趣点的设置方式多样，用户可以选择描述自己的研究方向、聚焦技术细节、关注特定应用场景、描述研究目标或是通过明确具体的研究问题来设置兴趣点。

方式一：精准描述研究方向

使用案例：A同学在「arxiv论文」中设置的兴趣点

"Ways to improve LLMs by increasing inference time computation, like Chain of Thought."

发现的论文：《Training Large Language Models to Reason in a Continuous Latent Space》

《Training Large Language Models to Reason in a Continuous Latent Space》

文章链接：https://chatpaper.com/chatpaper/zh-CN/paper/88603?from=magnet

💡从这篇文章中得到的启发：发现了将CoT离散思考转化为连续空间的创新研究，为降低标注数据依赖提供新思路。

把CoT的中间思考过程从原来的用Token思考变为将上一步输出的hidden vector作为下一步的 embedding输入，从离散变成连续，是一个有意思的研究方向，未来有可能能减低对CoT标注数据的依赖。

方式二：聚焦技术细节

B同学分享自己在「NIPS2024论文集」中设置的兴趣点

"Delving into the attention mechanism of large language models"

发现的论文：《SnapKV: LLM Knows What You Are Looking for before Generation》

《SnapKV: LLM Knows What You Are Looking for before Generation》

文章链接：https://chatpaper.com/chatpaper/zh-CN/paper/80354?from=search

💡从这篇文章中得到的启发：

找到了创新性的KV Cache压缩方法，解决了长上下文推理的显存问题，

目标：压缩KV Cache，减少长上下文推理的显存开销

方法：发现input prompt最后一些tokens对前文的attention分布与generation 阶段高度重合，由此启发，在生成之前，在prompt最后取一个窗口，只对这些窗口token最关注的tokens保留KV Cache。和自己当前在做的一些研究想法有一些相似之处。

Chatpaper中收录了所有4000篇文章，方便查找自己喜欢的，公众号推荐的文章数量有限，不一定符合自己的研究兴趣。

方式三：关注特定应用场景

C同学在「NIPS2024论文集」中设置的兴趣点：

"Intelligent scheduling and collaboration of multiple large language models"

发现对自己有启发的论文：《MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making》

《MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making》

文章链接：https://chatpaper.com/chatpaper/zh-CN/paper/79655?from=venues

从这篇文章中得到的启发：发现了医疗决策领域的多智能体协作框架，获得研究灵感。

本文提出了一种新颖的多智能体框架，称为医疗决策代理（MDAgents），旨在通过自动为LLMs团队分配协作结构来填补这一空白。MDAgents通过根据任务复杂性动态招募适当的代理，并进行迭代讨论，在十个基准中的七个上取得了最佳表现。

方式四：描述研究目标

D同学分享自己在「EMNLP2024论文集」中设置的兴趣点：

"Long-range Contextual Understanding in Extended Documents..."

发现的论文：《Bridging Local Details and Global Context in Text-Attributed Graphs》

《Bridging Local Details and Global Context in Text-Attributed Graphs》

文章链接：https://chatpaper.com/chatpaper/zh-CN/paper/77985?from=search

收获的启发：学习到利用图神经网络处理长文档的新方法。本文利用图神经网络聚合文档中每段文本的局部信息与全局信息，在长文档理解任务上获得更高的性能。

方式五：明确研究问题

E同学分享自己在「EMNLP2024论文集」中设置的兴趣点：

Research on how to detect and mitigate hallucinations in large language models, where hallucinations refer to models generating outputs that are inconsistent with external facts or inputs.

发现的论文：《MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents》

《MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents》

文章链接：https://chatpaper.com/chatpaper/zh-CN/paper/14957?from=search

收获的启发：发现了高效的幻觉检测方法，启发自己的研究方向。

这篇文章同时考虑了大模型的事实性幻觉和忠实性幻觉。作者提出用 GPT-4 综合生成复杂的 NLI 数据，用于训练幻觉检测小模型。综合数据的产生方法有两种：C2D 和 D2C。C2D 主要是给定 claim 产生文档；D2C 是给定文档产生 summary，从而给出 claim。作者提出的方法在多个数据集上达到了接近 GPT-4 zero-shot 的性能，且推理开销小很多。另外，作者发现，使用原子事实分解以及去上下文化对于这篇文章提出的方法以及 baselines 没有提升或者提升很小。

✨一些兴趣点的设置建议：

  • 多角度设置：建议从多个维度设置兴趣点，确保不错过重要论文
  • 定期更新：随着研究方向的深入，及时调整兴趣点设置
  • 交叉领域：可以设置跨领域的关键词，激发创新思路
  • 具体化：越具体的描述，匹配到的论文越相关
  • 持续积累：将发现的好论文及时收藏，形成个人知识库

✨ 借助ChatPaper，激发您的科研灵感

通过以上用户的分享，我们可以看到，ChatPaper的兴趣点功能为科研人员提供了便捷、高效的论文获取途径。不论是精准描述研究方向、聚焦技术细节，还是关注特定应用场景、描述研究目标、明确研究问题，都能帮助您快速找到最相关的论文，激发新的研究灵感。

如果你也在为信息焦虑发愁，不妨：

1. 访问 https://chatpaper.com/

2. 设置你的兴趣点

3. 体验全新的前沿信息追踪方式