XiaoMi-AI文件搜索系统
World File Search System鲁棒性
正式评估神经网络的鲁棒性及其与基于AI的安全 - 关键领域的关键相关性
摘要：神经网络在关键任务中起着至关重要的作用，其中错误的产出可能会带来严重的后果。传统上，神经网络的验证重点是评估其在大量输入点上的性能，以确保所需的输出。但是，由于输入空间的几乎无限基数，详尽检查所有可能的输入变得不切实际。在广泛的输入样本上表现出强大性能的网络可能无法在新颖的情况下正确概括，并且仍然容易受到对抗性攻击的影响。本文介绍了神经网络鲁棒性的一般管道，并概述了不同的领域，这些领域共同努力，以实现鲁棒性保证。这些领域包括评估针对对抗性攻击的鲁棒性，正式评估鲁棒性并应用防御技术以增强模型时的鲁棒性。
首先在1.2 kV SIC MOSFET身体二极管鲁棒性测试
1。上下文SIC MOSFET由于其强劲的损失而广泛用于新应用设计，并且具有高开关频率和高工作温度的功能。与氧化门相关的可靠性问题已经很好地解决，并且已经发表了许多有关阈值电压不稳定性的研究[1; 2]。使用车身二极管避免外部Schottky二极管[3; 4]。在本研究中，对1.2 kV的SIC MOSFET体二极管进行了压力并进行了研究，以确定使用时任何衰老或降解问题。
分数：评估决策的鲁棒性 -
摘要 - 自主驾驶系统（ADS）测试对于ADS开发至关重要，目前的主要重点是安全性。然而，对非安全性能的评估，尤其是广告做出最佳决策并为自动驾驶汽车（AV）提供最佳途径的能力，对于确保智力和降低AV风险的智力也至关重要。当前，几乎没有工作来评估ADSS路径规划决策（PPD）的鲁棒性，即，在环境中无关紧要的变化后，广告是否可以维持最佳的PPD。关键挑战包括缺乏评估PPD最优性的清晰牙齿，以及寻找导致非最佳PPD的场景的困难。为了填补这一空白，在本文中，我们专注于评估ADSS PPD的鲁棒性，并提出了第一种方法，分区者，用于生成非最佳决策方案（NODSS），其中ADS不计划AVS的最佳路径。测试器包括三个主要组成部分：非侵入性突变，一致性检查和反馈。为了克服甲骨文挑战，设计了非侵入性突变以实施保守的修改，从而确保了在突变场景中保存原始的最佳路径。随后，通过比较原始场景和突变的场景中的驱动路径来应用一致性检查以确定非最佳PPD的存在。为了应对大型环境空间的挑战，我们设计了整合AV运动的空间和时间维度的反馈指标。这些指标对于有效地转向发射的产生至关重要。因此，分子可以通过生成新方案，然后在新方案中识别点头来生成点头。我们评估了开源和生产级广告Baidu Apollo上的分员。实验结果验证了分子在检测ADS的非最佳PPD中的有效性。它总共生成63.9个点头，而表现最佳的基线仅检测35.4个点头。
自旋图中量子纠缠的产生及其鲁棒性
摘要 纠缠是量子信息处理的关键资源，因此需要在各种硬件平台上生成高保真度纠缠态的协议。虽然自旋链已被广泛研究以产生纠缠，但图结构也具有这种潜力；然而，只有几类图被用于这项特定任务。在本文中，我们将一种涉及两种不同耦合强度的特殊耦合方案应用于两个互连的 3×3 方图的图，使得它实际上包含三个缺陷。我们展示了这种结构如何生成贝尔态，其保真度取决于所选的耦合比。我们应用分区图论来降低图的维数，并表明，使用简化图或简化链，我们仍然可以模拟具有相同动态的相同协议。最后，我们研究了制造误差如何影响纠缠生成协议以及不同的等效结构如何受到影响，发现对于某些特定的耦合比，它们非常稳健。
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
评估视觉语言模型的鲁棒性...
为了应对及时的工程挑战，诸如Coop之类的方法通过直接从数据中学习最佳提示来自动化该过程。这减少了对手动调整的依赖，并可以提高模型对不同任务的适应性。在开放式识别挑战中，最近的研究表明，VLMS通过其有限查询集施加了封闭式假设。他们建议，简单地将查询设置扩展到包括更多类别并不能解决问题 - 实际上，由于错误分类和计算开销的增加，它可能会恶化性能（Miller等，2023）。为了减轻这些问题，已经提出了诸如纳入预测不确定性度量和专用的负嵌入等方法。这些方法旨在帮助模型识别输入何时不属于任何已知类别并适当处理此类案例
测试同型加密分割模型LLMS的鲁棒性
摘要。时锁拼图是独特的加密原始图，它使用计算复杂性将信息保密在一段时间内保持秘密，此后安全性到期。不幸的是，在引入的二十五年之后，当前的时间锁定原料的分析技术没有提供合理的机制来构建多方加密原始的原始系统，这些密码原始的原始系统将到期的安全性用作建筑块。正如在同行评审的文献中重新指出的那样，当前对此问题的尝试缺乏合成性，完全一致的分析或功能。本文介绍了一个新的基于理论的复杂性框架和新的结构定理，以分析具有完整通用性和组成的定时原则（这是中央模块化协议设计工具）。该框架包括一个基于细粒度的复杂性的安全模型，我们称之为“剩余复杂性”，该模型可能会在定时原语上泄漏。我们针对多方计算协议的定义通过考虑细粒度的多项式电路深度来概括文献标准，以模拟可行时间到期的计算硬度。我们的组成理论依次又导致（细粒度）安全性降解，因为项目的组成。在我们的框架中，模拟器具有计算深度的多项式“预算”，在组成中，这些多项式相互作用。最后，我们通过典型的拍卖应用演示如何应用我们的框架和定理。在第一次，我们证明可以以完全一致的方式证明，具有虚假的假设 - 基于漏水，温和安全的组件的多方应用程序的属性。因此，这项工作显着地将可证明的密码学扩展到了独立的任意多项式安全性的世界，再到经常出现在实践中的小时域的领域，在实践中，组件的安全性到期，而较大的系统仍然安全。
AAG：对抗攻击发生器，用于评估机器学习模型针对对抗性攻击的鲁棒性
摘要 - 随着机器学习模型持续集成到关键基础架构中，这些系统针对对抗性攻击的弹性对于所有领域都很重要。本文针对使用Ci-CflowMeter Parser的网络数据集引入了针对网络数据集的对抗性攻击生成器框架。我们对包括FGSMA，JSMA，PGD，C＆W等各种突出的对抗攻击进行了全面评估，以评估其在OCCP数据集中的效果。对对抗发电机进行了精心评估，证明了模型性能的重大影响以检测潜在的扰动。结果展示了不同类型的对抗攻击的影响，这有助于未来的防御策略的批判性进步，以保护工业控制系统。索引术语 - 对话攻击，白色框，黑框，eva-sion
部分端到端强化学习，以抗鲁棒性，以防止建模自动赛车
摘要 - 在本文中，我们解决了在存在实用车辆建模错误（通常称为模型不匹配）的条件下导航时自动赛车的强化学习（RL）解决方案的性能（RL）解决方案的问题。为了应对这一挑战，我们提出了一种部分端到端算法，该算法可以解除计划和控制任务。在此框架内，RL代理会生成一个轨迹，该轨迹包括路径和速度，随后使用纯粹的追击转向控制器和优势速度控制器对其进行跟踪。相比之下，许多当前基于学习的基于学习的（即增强和模仿学习）算法使用了一种端到端方法，从而深层神经网络将传感器数据直接映射到控制命令。通过利用经典控制器的鲁棒性，我们的部分端到端驾驶算法比标准的端到端算法表现出更好的模型不匹配的鲁棒性。