Unlocking High-Accuracy Differentially Private Image Classification through Scale
根据先前研究的经验证据，DP-SGD 中的效用退化在较大的神经网络模型上变得更加严重——包括在具有挑战性的图像分类基准上经常用于实现最佳性能的模型。我们的工作调查了这一现象，并提出了一系列对训练程序和模型架构的简单修改，从而显着提高了标准图像分类基准上 DP 训练的准确性。
Electric telegraph, news coverage, and political participation: 1840-52
Tianyl Wang研究电报对1840 - 1952年全国选举的影响：本文在1840 - 1852年期间使用了有关美国电报网络增长的新数字化数据，以研究电报对全国选举的影响。利用电报网络的扩展在差分方面的方法中，我发现访问[…]
Adaptive Batch Size for Privately Finding Second-order Stationary Points
在不同的隐私约束下找到一阶固定点（FOSP）和二阶固定点（SOSP）之间存在差距，而且尚不清楚私人发现SOSP是否比找到FOSP更具挑战性。具体而言，Ganesh等人。 （2023）声称可以在α= o〜（1n1/3+（dnϵ）3/7）\ alpha = \ tilde {o}（\ frac {1} {n^{n^{1/3}}}+（\（\） frac {\ sqrt {d}} {n \ epsilon}）^{3/7}）α= o〜（n1/31+（nϵd）3/7），其中nnn是数据集大小，ddd是维度，ϵ \ epsilonϵ是差分隐私参数。
IEEE Transactions on Emerging Topics in Computational Intelligence Volume 9, Issue 1, February 2025
1) 深度学习的人机交互检测综述作者：Geng Han, Jiachen Zhao, Lele Zhang, Fang Deng页数：3 - 262) 探索神经网络元学习的前景：最新技术综述作者：Asit Barman, Swalpa Kumar Roy, Swagatam Das, Paramartha Dutta页数：27 - 423) 具有知识迁移的微多目标进化算法作者：Hu Peng, Zhongtian Luo, Tian Fang, Qingfu Zhang页数：43 - 564) MoAR-CNN：用于 SAR 图像分类的多目标对抗性鲁棒卷积神经网络作者：Hai-Nan We
指纹代码是证明差分隐私下限的重要工具。它们已用于证明几个基本问题的严格下限，尤其是在“低准确度”制度下。然而，与重构/差异方法不同，它们更适合证明最坏情况下限，用于自然产生于指纹代码构造的查询集。在这项工作中，我们提出了一个证明指纹类型下限的通用框架，该框架允许我们根据查询集的几何形状定制该技术。我们的方法允许我们……
Privacy-Computation Trade-offs in Private Repetition and Metaselection
私有重复算法将成功概率为恒定的差分私有算法作为输入，并将其提升为成功概率较高的算法。这些算法与与众多私有算法中的最佳算法竞争的私有元选择算法以及与私有学习算法的最佳超参数设置竞争的私有超参数调整算法密切相关。这些任务的现有算法要么在隐私成本上付出了巨大的开销，要么在计算成本上付出了巨大的开销。在这项工作中，我们展示了强下限......
IEEE Transactions on Emerging Topics in Computational Intelligence, Volume 8, Issue 6, December 2024
1) 多人差分博弈系统的去中心化触发和基于事件的积分强化学习作者：Chaoxu Mu、Ke Wang、Song Zhu、Guangbin Cai页数：3727 - 37412) 基于同步视频和 EEG 的儿童癫痫发作检测作者：Jiuwen Cao、Yuan Fang、Xiaonan Cui、Runze Zheng、Tiejia Jiang、Feng Gao页数：3742 - 37533) 考虑隐私的在线优化零阶去中心化对偶平均作者：Keke Zhang、Qingguo Lü、Xiaofeng Liao、Huaqing Li页数：3754 - 37664) 不平衡和不完整时间序列数据的深度回归建
IEEE Transactions on Evolutionary Computation, Volume 28, Issue 6
1) 具有共享个体的多任务线性遗传规划及其在动态作业车间调度中的应用作者：Zhixing Huang, Yi Mei, Fangfang Zhang, Mengjie Zhang页数：1546 - 15602) 评估将进化与学习相结合以在复杂形态空间中设计机器人的框架作者：Wei Li, Edgar Buchanan, Léni K. Le Goff, Emma Hart, Matthew F. Hale, Bingsheng Wei, Matteo De Carlo, Mike Angus, Robert Woolley, Zhongxue Gan, Alan F. Winfield, Jo
The Declining Driving Miles Intensity of GDP
趋势向下移动，但敏感度上升。图 1：车辆行驶里程与月度 GDP 比率的对数（千英里除以十亿印度卢比 2017 年 SAAR）（蓝色），以及 2000-19 年随机趋势（红色）。NBER 定义的高峰到低谷衰退日期用灰色阴影表示。来源：NHTSA 通过 FRED、SPGMI、NBER 和作者的计算。非重叠对数差分 q/q 月度 GDP 回归对数 […]
Instance-Optimal Private Density Estimation in the Wasserstein Distance
从样本中估计分布的密度是统计学中的一个基本问题。在许多实际情况下，Wasserstein 距离是密度估计的合适误差度量。例如，在估计某个地理区域的人口密度时，较小的 Wasserstein 距离意味着估计值能够大致捕捉到人口质量的位置。在这项工作中，我们研究了 Wasserstein 距离中的差分隐私密度估计。我们设计并分析了可以适应简单实例的该问题的实例优化算法。对于分布……
Faster Algorithms for User-Level Private Stochastic Convex Optimization
我们研究用户级差分隐私 (DP) 约束下的隐私随机凸优化 (SCO)。在这种情况下，有 nnn 个用户，每个用户拥有 mmm 个数据项，我们需要保护每个用户整个数据项集合的隐私。现有的用户级 DP SCO 算法在许多大规模机器学习场景中都不切实际，因为：（i）它们对损失函数的平滑度参数做出了限制性假设，并要求用户数量随着参数空间的维数呈多项式增长；或（ii）它们的速度非常慢……
Private Stochastic Convex Optimization with Heavy Tails: Near-Optimality from Simple Reductions
我们研究了具有重尾梯度的差分隐私随机凸优化 (DP-SCO) 问题，其中我们假设样本函数的 Lipschitz 常数上有 kthk^{\text{th}}kth 矩界限，而不是统一界限。我们提出了一种新的基于约简的方法，使我们能够在重尾设置中获得第一个最优利率（最多对数因子），在 (ε,δ)(\varepsilon, \delta)(ε,δ)-近似下实现误差 G2⋅1n+Gk⋅(dnε)1−1kG_2 \cdot \frac 1 {\sqrt n} + G_k \cdot (\frac{\sqrt d}{n\varepsilon})^{1 - \frac 1 k}G2⋅n1+Gk⋅(n
Complex & Intelligent Systems, Volume 10, Issue 5, October 2024
1) 语音-视频双模态信号驱动的 3D 面部动画作者：纪学杰、廖舟舟……毛猛页数：5951 - 59642) 一种改进的果蝇优化算法与 Q 学习相结合，用于解决分布式置换流水线调度问题作者：赵才、吴良宏……张洪强页数：5965 - 59883) 足球 1 对 1 射门情况下的最佳决策战略框架：机器学习、基于理论的建模和博弈论的综合方法作者：杨凯文、藤井圭介页数：5989 - 60084) 针对混合整数变量的昂贵约束优化问题的种群状态驱动代理辅助差分进化算法作者：刘建胜、袁斌……邱浩波页数：6009 - 60305) 一种智能 MRI 辅助诊断和治疗系统基于超分辨率的骨肉瘤识别作者：许忠，方方苟
Predicting Soil Moisture Content Using Physics-Informed Neural Networks (PINNs)
摘要：近地表土壤含水量等环境条件是物体检测问题中的宝贵信息。然而，如果没有主动感知，通常无法以必要的规模获得此类信息。理查兹方程是一个描述非饱和土壤入渗过程的偏微分方程 (PDE)。求解理查兹方程可以得到有关土壤体积含水量、水力传导率和毛细管压力头的信息。然而，由于理查兹方程的非线性，它很难近似。有限差分法 (FDM) 和有限元法 (FEM) 等数值求解器是近似理查兹方程解的常规方法。但此类数值求解器在实时使用时非常耗时。物理信息神经网络 (PINN) 是依赖物理方程近似解的神经网络。一旦经过训练，这些网络就可以快速输出近似值。因此，PINN 在数值 PDE 社区中引起了广泛关注。该项目旨在将
Soft Computing. Volume 28, Issue 11-12, June 2024
1) 具有任意系数的梯形全模糊西尔维斯特矩阵方程作者：Ahmed Abdelaziz Elsayed、Nazihah AhmadGhassan Malkawi页数：6953 - 69672) 增强机器视觉：一种新颖的创新技术对视频问答的影响作者：Songjian Dan、Wei Feng页数：6969 - 69823) 使用多目标鲸鱼优化算法和 NSGA-II 集成资源供应管理和施工项目调度作者：Mahyar Ghoroqi、Parviz Ghoddousi……Saeed Talebi页数：6983 - 70014) 某些网络中的主导着色作者：S. Poonkuzhali、R. Jayagop
Reinforcement Learning, Part 5: Temporal-Difference Learning
智能协同动态规划和蒙特卡罗算法简介强化学习是机器学习的一个领域，它引入了代理在复杂环境中学习最佳策略的概念。代理根据环境状态从其行为中学习，从而获得奖励。强化学习是一个具有挑战性的话题，与机器学习的其他领域有很大不同。强化学习的非凡之处在于，可以使用相同的算法使代理适应完全不同、未知和复杂的条件。注意。为了充分理解本文中的概念，强烈建议您熟悉之前文章中讨论的动态规划和蒙特卡罗方法。强化学习，第 2 部分：策略评估和改进强化学习，第 3 部分：蒙特卡罗方法关于本文在第 2 部分中，我们探索了动态规划 (DP) 方法，其中代理根据先前的计算迭代更新 V-/Q 函数及其策略，并用新的估计值替换它们。
我一直在为我的 PMA 8000B 寻找一个滑入式替换音频面板。800B 运行完美，但我真正想要的是蓝牙。目前，我一直在使用便携式蓝牙，将其插入 8000B 右上角的端口。主要问题是我必须给它充电，有时我会忘记把它带回家。我在机库时可以将其插入电池块，但这很麻烦。因此，根据上述所有信息，我开始了搜索。我简直不敢相信找到 8000BT 装置有多难。关键在于在正确的时间找到正确的地点。我在大多数论坛上发布了求购广告，并有一台潜在的装置。一位朋友和同行飞行员联系了我，谈到 Beech Talk 上刚刚列出的一台装置，所以我立即回复了 BT 帖子，虽然我不是第一个排队的人，但我是第一个付钱的人。成交！
Evolving Systems. Volume 15, Issue 3, June 2024
1）基于改进的Bi-LSTM神经网络的山区公路隧道入口路面温湿度预测作者：陶睿，彭睿……乔建刚页数：691 - 7022）反脆弱视角下涉及非凸属性的投资组合选择多目标优化作者：Davi Gotardelo，Leonardo Goliatt页数：703 - 7153）通过深度学习和计算机视觉打造AI设计师作者：Caner Balim，Kemal Ozkan页数：717 - 7294）RVFLN-CDFPA：一种利用混沌差分花授粉算法优化的随机向量函数链接神经网络，用于日前净资产价值预测作者：Smita Mohanty，Rajashree Dash页数：731 - 7575）DeepNet-WI：
