Interpreting CLIP: Insights on the Robustness to ImageNet Distribution Shifts
稳健模型和非稳健模型的区别是什么？虽然对于 ImageNet 分布变化，已经表明这种稳健性差异可以主要追溯到训练数据的差异，但到目前为止，尚不清楚这在模型学习方面意味着什么。在这项工作中，我们通过探测具有各种主干（ResNets 和 ViTs）和预训练集（OpenAI、LAION-400M、LAION-2B、YFCC15M、CC12M 和 DataComp）的 16 个稳健零样本 CLIP 视觉编码器的表示空间，并将它们与较少的表示空间进行比较来弥合这一差距……
GARD: Guaranteeing AI Robustness Against Deception
项目负责人：Bruce Draper 博士 赞助组织：DARPA网站：https://www.darpa.mil/program/guaranteeing-ai-robustness-against-deception 项目概要：GARD 致力于建立理论机器学习 (ML) 系统基础，以识别系统漏洞，描述将
Evaluating the Robustness of Off-Policy Evaluation
SAITO Yuta (康奈尔大学) / UDAGAWA Takuma (索尼集团公司) / KIYOHARA Haruka (东京工业大学) / MOGI Kazuki (斯坦福大学) / NARITA Yusuke (RIETI 访问研究员) / TATENO Kei (索尼集团公司)
在每个节目中，访客可以了解新发布的钛大师，即下一代运动控制器。钛大师重新定义了运动控制，满足需要高性能，速度，准确性和鲁棒性的机器建造者的需求。
Elmo Motion Control Launches the Next Era Motion Controller - Titanium Maestro
钛大师重新定义运动控制，满足需要高性能，速度，准确性和鲁棒性的机器建造者的需求。它是为最苛刻的应用程序而设计的，并提供了具有先进的多轴管理功能的最先进的实时EtherCat通信。
Heima Inc. Introduces A.D.A.M.: The Future of Home Living
Heima（发音为Hey Ma'）自豪地介绍了A.D.A.M. （自主动态人造人） - 世界上第一个为家庭设计的通用人形机器人。 A.D.A.M.将优雅，用户友好的设计与可访问的价格相结合，有望将普通房屋转变为高度个性化的响应环境。 Raspberry Pi Camera Pinout对于机器人技术，自动化和无人系统至关重要。了解MIPI CSI接口的工作原理，引脚配置以及Vadzo的相机模块如何增强工业应用中的成像性能。 将在节目中展示多轴伺服驱动器和当前白金线的未来钛系列。这两种产品线都包含完整的功能安全选择，并为几乎任何机器提供了提高的运动精度，性能和鲁棒性。 任何软件机器人都在
Anyware Robotics Secures $12M Seed Funding, Deploys Pixmo Commercially
将在节目中展示多轴伺服驱动器和当前白金线的未来钛系列。这两种产品线都包含完整的功能安全选择，并为几乎任何机器提供了提高的运动精度，性能和鲁棒性。任何软件机器人都在开发高度通用的移动操纵器，以应对整个行业人类物理能力以外的任务，无论是由于尺寸，覆盖率，精度，速度，速度或危险条件。
Scientists Just Taught Light to Transmit Meaning – And It’s Revolutionizing Communications
科学家正在用尖端的语义传输系统彻底改变光学通信，从而极大地提高了效率和鲁棒性。通过利用多模纤维（MMF），这种方法以频率而不是原始数据来编码信息，从而比传统方法实现了七倍的能力。该技术不仅可以增强数据传输，而且还证明了非常有效的[...]
Elmo Motion Control Kicks off the 2025 Global Roadshow at Smart Factory and Automation World Korea
多轴伺服驱动器的未来钛系列以及当前的白金线将在展览会上介绍。这两种产品线都包含完整的功能安全选择，并为几乎任何机器提供了提高的运动精度，性能和鲁棒性。
Chaerilus Simon属的当前挑战和初步的形态重新评估，1877年在中国（Scorpiones：Chaerilidae）摘要The Chaerilus Simon属，1877年，在中国，在形态学的基础上进行了初步修订，并从可用的文献中得出。评估了几个常用物种级诊断标准的鲁棒性。中国有临时认可的十种物种，其中包括一种新的形态种类，Chaerilus herta sp。 n。，来自9名女性，40名男性和2名在Mêdog县收集的少年女性。当前的研究仅揭示并解决了中国chaerilus分类学中最基本的几个问题。有必要进行进一步的分子研究，直到某些物种的拓扑型可用为止。Tang，V。2025。当
Researchers improve chaotic mapping for super-resolution image reconstruction
超分辨率 (SR) 技术在提高图像质量方面发挥着关键作用。SR 重建旨在从低分辨率图像生成高分辨率图像。传统方法通常会导致图像模糊或扭曲。稀疏表示和基于深度学习的方法等先进技术已显示出有希望的结果，但在噪声鲁棒性和计算复杂性方面仍面临限制。
Leveraging Periodicity for Robustness with Multi-modal Mood Pattern Models
*平等贡献者来自可穿戴传感器的数据（例如心率、步数）可用于模拟情绪模式。我们使用多模态离散时间序列数据表征特征表示和建模策略，使用具有自然缺失的大型数据集（n=116,819 名参与者）进行情绪模式分类，使用 12 个可穿戴数据流，重点是捕捉数据的周期性趋势。综合考虑性能和鲁棒性，基于周期性的具有梯度提升模型的聚合特征表示优于其他表示和架构……
Jointly learning rewards and policies: an iterative Inverse Reinforcement Learning framework with…
联合学习奖励和策略：具有排序合成轨迹的迭代逆强化学习框架一种新颖的可处理和可解释算法，用于从专家演示中学习照片由 Andrea De Santis 在 Unsplash 上拍摄简介模仿学习最近在机器学习社区中引起了越来越多的关注，因为它能够通过观察到的行为将专家知识转移到自主代理。第一类算法是行为克隆 (BC)，旨在直接复制专家演示，将模仿过程视为监督学习任务，其中代理尝试匹配专家在给定状态下的行为。虽然 BC 简单且计算效率高，但它经常受到过度拟合和泛化能力差的影响。相比之下，逆强化学习 (IRL) 通过推断奖励函数来瞄准专家行为的潜在意图，该奖励函数可以解释专家的行为在考虑的环境中是最佳的
■概要 《欧盟人工智能法规》（以下简称《法规》）于2024年6月13日在《欧盟公报》上正式发布，并于同年8月1日生效。本文是该规则评论系列四篇文章中的第二篇。欧盟协调法（欧盟内部标准化产品安全标准等的法规）中列出的产品及其安全装置的人工智能系统，以及影响该法规中列出的人员的权利和安全的人工智能系统被称为高人工智能系统。风险人工智能系统并受到特殊法规的约束。 高风险人工智能系统必须满足的要求包括（1）建立风险管理系统，（2）数据治理，（3）创建技术文档并保存记录，（4）创建使用说明，以及（5）人类(6) 准确性和稳健性。本条例对各项具体措施作出了规定。 它还规定了高风险人工智能系统的供应商、进口
自注意力和掩蔽自注意力是 Transformers 取得巨大成功的核心。然而，我们对注意力的数学理解，特别是对其 Lipschitz 属性的理解（这是分析鲁棒性和表达能力的关键）并不完整。我们在几个实际场景中对自注意力的 Lipschitz 常数进行了详细研究，讨论了序列长度和层规范化对未掩蔽和掩蔽自注意力的局部 Lipschitz 常数的影响。特别是，我们表明，对于任何紧凑的 n 的输入...
Complex and Intelligent Systems, Volume 10, Issue 3, June 2024
1) 基于深度强化学习的小天体飞越自主成像调度网络作者：Hang Hu, Weiren Wu...Jihe Wang页数：3181 - 31952) 基于通信的恶意无人机群网络中关键无人机识别作者：Min Teng, Chao Gao...Xuelong Li页数：3197 - 32113) 通过特征细化、抑制和对齐提高对抗鲁棒性作者：Yulun Wu, Yanming Guo...Liang Bai页数：3213 - 32334) 基于知识转移的多目标方法用于查找多路径循环中的错误作者：Stuart D. Semujju, Fangqing Liu...Zhifeng Hao页数：3235
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类可以对异常值更具鲁棒
