XiaoMi-AI文件搜索系统
World File Search System模型生成
量化医疗人工智能中可解释性的可信度
图3 市售 AI 软件的显着相关性评估。通过扰动原始胸部 X 光片（上行），通过攻击代理模型生成对抗性图像（下行）。然后将对抗性图像输入到市售医疗 AI 模型中。请注意，从原始图像到对抗性图像对不同发现的预测概率变化很大，而
用生成AI技术解锁潜力
预测模型生成：使用训练数据的Gen-AI模型可用于生成可以预测潜在设备故障，矿物处理参数，预测产量的预测模型。这可用于进一步优化维护时间表，调整参数（温度，压力等）和资源分配。这些操作的一些示例可以是钻孔和爆炸优化，矿石处理，浮选浸出操作和材料处理。
使用扩散模型的欺诈检测的合成数据生成
a b s t r a c t：使用信用卡在付款和银行系统中检测欺诈交易是一个重大挑战，这主要是由于访问培训模型所需的实际数据和开发算法以准确的限制和开发算法以进行Ana-lyze交易流。与金融系统与客户之间的合同关系相关的实际数据是机密的，这既影响交易中记录的数据的形成，又影响了转移流的分析以识别欺诈活动。本文探讨了使用扩散模型生成旨在改善欺诈检测算法性能的综合合成交易数据的潜力。特别强调的是处理包含分类（文本）和数值属性混合的数据集，并在合法和欺诈性的传输之间表现出明显的类不平衡。在传统欺诈检测方法对实际交易数据的有效性与提议的方法之间进行了比较，该方法积极采用使用扩散模型生成的合成数据。结果表明，模型在准确检测欺诈方面的可靠性有了显着提高，突出了扩散模型作为开发更有效的欺诈检测系统的强大工具的潜力。
生成人工智能-Gov.br
10综合数据是人为生成的数据（AEPD，2023年）。“合成数据”一词在信息技术（IT）和隐私和数据保护领域均使用。在后者中，这些数据的使用通常与增强隐私技术（宠物）相关。因此，在讨论一般AI与数据保护的关系的第3章中，将使用“合成内容”的表达来指代生成模型生成的合成数据。合成内容没有匿名个人数据的目标。
diffsign：具有增强现实主义的AI辅助生成可自定义的手语视频
摘要。近年来，几种流媒体服务的扩散使世界各地的各种受众都可以观看相同的媒体内容，例如电影或电视节目。虽然正在添加翻译和配音服务，以使当地受众访问内容，但支持具有不同能力的人（例如聋哑人和听力难（DHH）通信）可以访问的内容仍在滞后。我们的目标是通过与合成签名者生成手语视频，使DHH社区更容易访问媒体内容。使用相同的签名者对全球视图的给定媒体内容可能有限的吸引力。因此，我们的方法结合了参数建模和生成建模，以生成现实的合成签名者，并根据用户偏好自定义其外观。我们首先通过优化参数模型来重新定位人类手语构成3D手语的头像。然后，使用渲染的化身姿势来调节使用基于扩散的生成模型生成的合成签名者的姿势。合成签名者的外观由通过视觉适配器提供的图像提示控制。我们的结果表明，使用我们的方法生成的手语视频比仅在文本提示下的扩散模型生成的视频具有更好的时间固定性和现实主义。我们还支持多模式的提示，允许用户进一步自定义签名者的外观以备同行多样性（例如肤色，性别）。我们的方法对于签名匿名也很有用。
通过蛋白质结构扩散
图2：在选定情况下不同模型的性能比较以及不同模型之间结构违规的比较。（a）（b）在8D01_L/8DOY_L之间的TM得分和六个不同模型生成的100个构象之间的TM得分散点图。（c）（d）用8D01_L/8DOY_L从UFCONF覆盖了采样结构。青色：8D01_L实验结构；红色：8DOY_L实验结构；绿色：最接近8D01_L的采样结构；洋红色：采样结构最接近8doy_l。（e）（f）8i6o_b/8i6q_b和六个不同模型生成的100个构象之间的TM得分的散点图。（g）（h）用8i6o_b/8i6q_b从UFCONF中采样结构的覆盖。青色：8i6o_b实验结构；红色：8i6q_b实验结构；绿色：最接近8i6o_b的采样结构；洋红色：采样结构最接近8i6q_b。（i）所有产生的构象在20中定义的总违规损失； （J）所有产生的构象的碳氮（C-N）键损失（表明违反C-N键长度的违规）； （k）所有产生的构象之间的残基数（表明残基之间的原子半径限制的侵犯）计数； （l）所有产生的构象中残留物中的冲突计数（表明残基中原子半径限制的侵犯）；
建立国家法学硕士学位
1 国家法学硕士的用例与其他法学硕士相似，但反映了当地的语言、文化和法律，支持政府应用并确保数据主权 2 法学硕士中的参数是指模型中可调整权重的数量，这些权重决定了模型生成准确且与上下文相关的响应的能力。参数数量越多通常意味着更高的潜在性能和更大的复杂性，但也意味着计算要求和成本的增加。来源：FTI Delta
文件在计算机中-James Grimmelmann
《纽约时报》针对OpenAI的版权诉讼，微软声称OpenAI的GPT模型已“记住”时代的文章。其他诉讼也提出了类似的主张。但是，当事人，法院和学者在哪些纪念活动，是否发生以及其版权含义上不同意。不幸的是，这些辩论被对“记忆”本质的深层歧义笼罩，导致参与者互相交谈。在本文中，我们试图对记忆及其与版权法的关系的对话清晰。记忆是机器学习中高度活跃的研究领域，我们利用该文献为法律讨论提供了坚定的技术基础。论文的核心是对法律受众的记忆的确切定义。我们说，当（1）可以从模型（2）重建（3）（3）（3）大部分（4）该特定培训数据的大部分部分时，模型已经“记住”了一块训练数据。我们将记忆与“提取”区分开（用户故意使模型生成近乎杰出的副本）与“反驳”（模型生成近乎精确的副本，无论用户的意图如何），以及从“重建”（从模型中都可以通过任何方式获得近距离的副本，而是通过任何阶段来获得任何订单，而是从任何手段中获得。从这些定义中产生了一些重要的后果。首先，并非所有的学习都是记忆：生成-AI模型的大部分涉及从大量培训数据中概括，而不仅仅是记住它的个体部分。第二，在训练模型时会发生记忆；它是
