XiaoMi-AI文件搜索系统
World File Search System稳健性
人工智能稳健性地平线欧洲提案与评估
为了促进在为人类服务的关键和新兴技术领域的工业领导地位，共同规划的人工智能、数据和机器人伙伴关系将推动以人为本、值得信赖、安全和强大的技术的发展，这些技术将推动新市场和应用，并符合欧洲的道德标准和价值观。一项专门行动还将研究人工智能和相关技术的人文部署。
全球航空运输前景弹性较大，但稳健性较差
利率长期处于低位的原因部分与全球储蓄过剩有关，即货币供应量（储蓄）超过需求（投资），从而推低了货币价格（利率）。我们可以通过查看经常账户余额来了解各国储蓄过剩或不足的情况。经常账户盈余表明储蓄过剩，而赤字则需要通过从国外借款来弥补。由于中国是世界制造业中心，因此一直是全球经济的重要债权国。2007 年，中国经常账户盈余占 GDP 的 10%（图 4）。然而，这一比例在疫情爆发前下降到不到 1%，此后又恢复到 2.3% 的盈余。这可能是中国努力向国内消费驱动型经济转型以实现更可持续和平衡增长的结果。
CAISAR：用于表征人工智能安全性和稳健性的平台
摘要 我们介绍了 CAISAR，这是一个正在积极开发的开源平台，用于表征 AI 系统的稳健性和安全性。CAISAR 通过使用 WhyML（Why3 验证平台的成熟且富有表现力的语言）为定义验证问题提供了统一的切入点。此外，CAISAR 协调并组合了最先进的机器学习验证工具，这些工具单独使用时无法有效地处理所有问题，但集体使用时可以覆盖越来越多的属性。我们的目标是一方面通过减轻选择针对特定验证问题的方法的负担来协助 V&V 过程，另一方面通过在一个平台上分解有用的功能（可视化、报告生成、属性描述）来协助工具开发人员。CAISAR 即将在 https://git.frama-c.com/pub/caisar 上线。
基于面板方法的城市空中交通路径规划稳健性的实验评估
垂直起降 (VTOL) 飞行器为人口密集城市的地面交通拥堵问题提供了一种有希望的解决方案。利用低排放飞机在短距离内运送人员和货物可以为未来的交通运输做出贡献，并减少与交通运输相关的排放。研究机构、老牌公司和初创公司正在研究此类飞机的可能配置，并正在研究将其整合到现有的交通系统中以及空中交通运输解决方案的市场潜力。[ 1 – 4 ]。拥有能够生成无碰撞路径的完全自动驾驶汽车不仅可以增加城市空域的容量，还可以减少城市空中交通管理工作量 [ 5 ]。因此，城市环境中的路径规划是一个需要解决的重要问题。此外，
非线性能量吸收装置概念的稳健性和可靠性研究
机械系统中的减振和能量耗散是一个快速发展的领域（例如[ 1 – 5 ]。该领域的发展源于设计更严格的减振装置的需求。这些装置应满足生产更轻、更复杂的机械产品的需求。减振方法有很多种（例如[ 6 – 8 ]），最常见的类型是调谐质量阻尼器 (TMD)，它是由 H. Frahm [ 9 ] 首次设计的。它是一个被动线性系统，由一个通过弹簧和阻尼器连接到主结构的质量组成。TMD 仅在较窄的频率范围内表现良好，然而，由于多种原因，主结构也可能以其他频率振动 [10]。为了解决 TMD 系统的局限性，已经提出了替代的减振方法。非线性能量吸收器 (NES) 是一种很有前途的减振装置，因为它能够在各种振动频率范围内工作。NES 系统通常由连接到主质量的次级质量组成，具有高度非线性刚度。Vakakis 和 Gendelman [11] 最近提出了一种 NES 系统。Younesian 等人。[12] 研究了 NES 系统在铁路桥梁减振中的应用。NES 系统抑制气动弹性不稳定性的能力已在 [ 13 ] 中得到证实。在 [ 14 ] 中，NES 系统的应用
突变稳健性和缓冲基因在进化中的作用
生物体依靠突变来促进适应性进化。然而，许多突变会对适应性产生负面影响。因此，细胞可能进化出了影响突变表型效应的机制，从而赋予了突变稳健性。具体来说，所谓的缓冲基因被认为直接或间接地与遗传变异相互作用并降低其对适应性的影响。环境或遗传扰动可以改变缓冲基因和遗传变异之间的相互作用，从而揭示遗传变异的表型效应，从而为自然选择提供变异来源。本综述概述了我们对突变稳健性和缓冲基因的理解，并以伴侣基因 HSP90 为关键例子。它讨论了缓冲基因是否仅影响现有变异或也与新生突变相互作用，突变稳健性如何影响进化，以及突变稳健性是否可能是一种进化特征，还是仅仅是复杂遗传相互作用的副作用。
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
基于软件和硬件技术的神经计算机接口人工智能算法的稳健性
摘要 本文主要研究利用信息技术进行脑机交互，利用脑电图（EEG）信号检测大脑活动模式。在实验中，我们使用了机器学习方法，即以下分类器：Bagging、Boosting、Nearest Neighbors 和 Support Vector。实验从手指运动任务期间对 EEG 信号的真实观察开始。我们使用 10 倍交叉验证来评估每个分类器的性能，包括准确性和稳健性。结果发现，支持向量分类器在分类器中表现出最高的稳定性。实验的主要目标是确定分类器的稳健性的重要性，特别是在医疗应用中。总之，该实验有助于脑机交互领域的发展以及在医疗保健和其他地方具有实际应用的稳健神经接口技术的开发。
Maestro：一个用于教授人工智能稳健性的游戏化平台
尽管预防人工智能漏洞对于保护用户和企业的安全和隐私至关重要，但全球范围内的稳健人工智能教育工具仍未得到充分开发。我们介绍了 Maestro 的设计、实施和评估。Maestro 是一个有效的基于游戏的开源平台，有助于推动稳健人工智能教育的发展。Maestro 提供了基于目标的场景，让大学生在竞争激烈的编程环境中接触到具有挑战性的、充满生活灵感的作业。我们评估了 Maestro 对学生在稳健人工智能方面的参与度、积极性和学习成功的影响。这项工作还深入了解了促进稳健人工智能领域主动学习机会的在线学习工具的设计特点。我们分析了 147 名本科生在两门季度人工智能课程中使用 Maestro 的反思反应（以李克特量表衡量）。根据结果，那些觉得在鲁棒人工智能中获得了新技能的学生往往高度赞赏 Maestro，并且在鲁棒人工智能的材料整合、好奇心和掌握方面得分很高。此外，排行榜是 Maestro 中的关键游戏化元素，它有效地促进了学生的参与和学习。结果还表明，Maestro 可以有效地适应任何课程长度和深度，而不会降低其教育质量。