XiaoMi-AI文件搜索系统
World File Search System鲁棒性
紧急 /立即< / div>
covid-19的破坏是对许多供应链的鲁棒性和弹性的测试。许多组织在大流行后改编了供应链。该项目调查了食品供应链中的公司如何使用技术来提高供应链的鲁棒性和影响技术采用决策的因素。这个项目的理想学生必须对当地食品供应链，技术使用，印度食品供应链中的公司访问数据收集以及使用高级数据分析方法的能力有良好的了解。
使用深度学习进行盲 MRI 脑损伤修复
摘要。在脑图像分析中，许多当前的管道对病变的存在不具有鲁棒性，从而降低了其准确性和鲁棒性。例如，处理病变时，经典医学图像处理操作（如非线性配准或分割）的性能会迅速下降。为了尽量减少它们的影响，一些作者提出修复这些病变，以便可以使用经典管道。然而，这需要手动划定感兴趣的区域，这很耗时。在本文中，我们提出了一个深度网络，它能够自动盲目地修复脑图像中的病变，从而使当前管道在病理条件下稳健地运行。我们使用 SPM12 管道和我们自动修复的图像证明了脑分割问题中改进的鲁棒性/准确性。关键词：病变修复、MRI、深度学习、稳健分割。
紧急 /立即< / div>
covid-19的破坏是对许多供应链的鲁棒性和弹性的测试。许多组织在大流行后改编了供应链。该项目调查了食品供应链中的公司如何使用技术来提高供应链的鲁棒性和影响技术采用决策的因素。这个项目的理想学生必须对当地食品供应链，技术使用，印度食品供应链中的公司访问数据收集以及使用高级数据分析方法的能力有良好的了解。
评估对象对象的基于视觉模型的弹性...
摘要。鉴于对最近的基于视觉模型的大规模多模式培训及其概括能力，因此了解其鲁棒性的程度对于他们的现实世界部署至关重要。在这项工作中，我们的目标是评估当前基于视觉模型的弹性，以应对不同的对象到后环上下文变化。大多数鲁棒性评估方法都引入了合成数据集，以引起对物体特征（观点，比例，颜色）的变化或实际图像上使用的图像转换技术（对抗性变化，常见的损坏），以模拟分离中的变化。最近的作品探索了利用大型语言模式和di！使用模型来产生背景变化。但是，这些方法要么缺乏对要进行的更改或扭曲对象语义的控制，从而使它们不适合任务。另一方面，我们的方法可以诱导各种对象兼容地面变化，同时保留对象的原始语义和对象的真实性。为了实现这一目标，我们利用文本对图像，图像到文本和图像对段的生成能力自动生成广泛的对象到背景的变化。我们通过修改文本提示或优化文本模型的潜伏期和Textual嵌入来引起自然和对抗背景的变化。这使我们能够量化背景上下文在理解深神经网络的鲁棒性和一般性中的作用。我们生产了各种版本的标准视觉数据集（Imagenet，Coco），将多样的和相同的背景纳入图像中，或在背景中引入颜色，纹理和对抗性变化。我们进行了彻底的实验，并对基于视觉模型的鲁棒性与对象之间的背景环境之间的鲁棒性进行了深入的分析。我们的代码和评估基准将在https://github.com/muhammad-huzaifaa/ObjectCompose上找到。
操纵 dropout 揭示了一个最佳
根据有效编码假设，当表示具有高维性并且不相关时，神经群体可以最佳地编码信息。然而，这样的编码可能会在泛化和鲁棒性方面有所代价。过去对啮齿动物早期视觉皮层（V1）的实证研究表明，这种权衡确实限制了感觉表征。然而，这些见解是否适用于人类视觉系统的整个层次结构，尤其是高级枕颞皮层（OTC）中的物体表征，仍不清楚。为了获得新的实证清晰度，我们在此开发了一组具有参数变化的 dropout 比例（p）的物体识别模型，这会诱导系统地改变内部响应的维数（同时控制所有其他归纳偏差）。我们发现，增加 dropout 会产生越来越平滑的低维表征空间。在 dropout 约为 70% 时观察到对损伤的最佳鲁棒性，之后准确率和鲁棒性都会下降。与自然场景数据集中枕颞皮质的大规模 7T fMRI 数据进行表征比较表明，这种最佳的 dropout 程度也与最大的突发神经预测性相关。最后，使用新技术对人类 fMRI 反应的特征谱进行去噪估计，我们比较了模型和大脑特征空间之间的特征谱衰减率。我们观察到模型和大脑表征之间的匹配与表征空间中效率和鲁棒性之间的共同平衡有关。这些结果表明，不同的 dropout 可能揭示分层视觉系统中高维编码效率和低维编码鲁棒性之间的最佳平衡点。
![arxiv：2502.02710v1 [stat.ml] 2025年2月4日](/simg/6\6f28a11cf1cd61d8abfc07e0c32f7934a963fcd7.webp)
arxiv：2502.02710v1 [stat.ml] 2025年2月4日
在安全性应用程序中，机器学习模型应在最坏情况下的分配变化下概括，也就是说，具有较小的强大风险。基于不变性的算法可以证明，当训练分布足够异质以识别强大风险时，可以利用对轮班的结构假设。但是，在实践中，这种可识别性条件很少满足 - 到目前为止，这种情况在理论文献中尚未得到充实。在本文中，我们旨在填补空白，并建议在仅部分可识别鲁棒的风险时研究更通用的环境。尤其是我们引入了最坏的稳健风险，作为一种鲁棒性的新度量，无论可识别性如何，它总是定义明确的。其最小值对应于算法独立的（种群）最小值的数量，该数量可在部分可识别性下测量最佳可实现的鲁棒性。虽然可以更广泛地定义这些概念，但在本文中，我们将其介绍并明确地得出了线性模型以实现介绍的具体性。首先，我们表明在部分可识别的情况下，现有的鲁棒性方法是次优的。然后，我们评估了这些方法和（经验性的）最差案例鲁棒风险在现实世界基因表达数据上的鲁棒风险，并找到类似的趋势：随着未看见环境的数据的增加，现有鲁棒性方法的测试误差越来越高，而对部分识别性的识别则可以更好地普遍性化。
建立具有极端可拉伸性的高性能聚合物太阳能电池的共轭聚合物和弹性体的共连网络
高功率转化效率（PCE）和机械鲁棒性是有机太阳能电池（OSC）可穿戴应用的先决条件。但是，应提高当前活动系统的可伸缩性（即裂纹发作菌株（COS）<30％）。在将弹性体引入活动系统中被认为是提高可伸展性的一种简单方法，但弹性体的包含通常会导致OSC的PCE减少，由于缺乏互连的电气和机械途径，该可拉伸性的提高有限。在这项研究中，它是通过在活动层中建立共轭聚合物（D18）和弹性体（SEB）的连续连续网络来发展的，具有特殊的机械鲁棒性（具有特殊的机械鲁棒性）。证明，D18的特定比（40:60 W/W）的混合膜：SEB对于形成共连接结构至关重要，建立了良好的机械和电通道。因此，D18 0.4：SEBS 0.6 /L8-BO OSC的可伸展性（COS = 126％）比基于D18 /L8-BO（COS = 8％）的OSC高16倍（COS = 126％），而基于SEBS-rich Active Layers = 3.8 0.8 0.20％的OSC（12.13％），达到4倍的PCE（12.13％）。此外，D18 0.4：SEBS 0.6基于0.6的IS-OSC将原始PCE的86％和90％的菌株保留在50％的菌株中，分别以15％的菌株拉伸/释放循环后，证明了报告的IS-OSC中最高的机械鲁棒性。
量子匿名否决：一组新协议
摘要 我们提出了一套量子匿名否决 (QAV) 协议，大致可分为概率型、迭代型和确定性方案。这些方案基于不同类型的量子资源。具体而言，它们可以看作是基于单光子的、基于二分和多分纠缠态的、基于正交态的和基于共轭编码的。针对有效 QAV 方案的所有要求（例如隐私、可验证性、鲁棒性、绑定性、资格性和正确性）分析了所提出的方案集。与现有的 QAV 方案相比，所提出的方案更高效，并且在中等退相干率下也具有鲁棒性。此外，还观察到概率 QAV 方案的正确性和鲁棒性之间的权衡。此外，基于多分密集编码的确定性 QAV 方案是本文提出的方案集中最高效的方案。采用密集编码的二分纠缠迭代方案是另一种高效实用的方案。在设计新协议的过程中，还探索了用餐密码师网络与匿名否决网络之间的内在联系。
![arxiv：2109.06260v1 [Quant-ph] 13 Sep 2021](/simg/1\136f3433f01b4e80a2dc81e96185c7375261e636.webp)
arxiv：2109.06260v1 [Quant-ph] 13 Sep 2021
我们提出了一组量子匿名否决（QAV）的协议，该协议在概率，迭代和确定性方案下大致分类。这些方案基于不同类型的量子资源。特别是，它们可能被视为基于单光子的，两部分和基于状态的基于状态，基于正交状态和基于共轭编码的基于单光子。针对有效的QAV方案的所有要求（例如隐私，验证能力，鲁棒性，固定，约束力，资格和正确性）分析了所提出的方案的集合。与现有的QAV方案相比，所提出的方案更为有效，并鲁棒性达到中等的脱位率。此外，观察到概率QAV方案的正确性和鲁棒性之间的交易。此外，基于多部分密集编码的确定QAV方案是此处提出的一组方案中最有效的方案。采用密集编码的基于双方纠缠的迭代方案是另一种有效和实用的计划。在设计新协议的过程中，还探索了用匿名否决网络的餐饮密码网络之间的内部连接。