XiaoMi-AI文件搜索系统
World File Search SystemConsistency
低分辨率面部表达识别的硬样品感知一致性
面部表达识别（FER）在计算机视觉应用中起着关键作用，包括视频不存在和人类计算机的相互作用。尽管FER的进展没有局部进步，但在处理在现实世界情景和数据集中遇到的低分辨率面部图像时，性能仍然会摇摆不定。一致性约束技术引起了人们的关注，以产生强大的卷积神经网络模型，从而通过增强来适应变化，但它们的功效在低分辨率FER的领域中得到了影响。这种性能下降可以归因于网络难以提取表达特征的增强样本。在本文中，我们确定了在考虑各种程度的分辨率时引起过度拟合问题的硬样品，并提出了新颖的硬样品感知一致性（HSAC）损失函数，其中包括组合注意力同意和标签分布学习。通过结合高分辨率和翻转低分辨率图像的激活图，将注意力图与适当的目标注意图与适当的目标注意图与适当的目标注意力图相结合的注意图与适当的目标注意力图的注意力图对齐。我们通过结合原始目标和高分辨率输入的预测来测量低分辨率面部图像的分类难度，并适应标签分布学习。我们的HSAC通过有效管理硬样品来赋予网络能够实现概括。各种FER数据集上的广泛实验证明了我们提出的方法比现有方法的多尺度低分辨率图像的优越性。此外，我们在原始RAF-DB数据集中达到了90.97％的最新性能。
使用基于生理的药代动力学建模检查美国与欧洲维生素D指南之间的一致性
1以外的咨询有限公司14 Tytherington Park Road，Macclesfield，Cheshire，UK SK10 2EL 2 ELLIVERPOOL利物浦大学药理学与治疗系超过125 nmol/L的25-羟基维生素D与潜在毒性有关。使用基于生理的药代动力学模型，基于南非开普敦的一项随机对照试验，我们显示了2000 IU每日剂量，欧洲食品安全局建议将其作为安全剂量，预计将导致血清浓度超过125 Nmol/l threshold，其中一些儿童和青少年中有125 nmol/l阈值。这突出了不同准则与使用建模来弥合剂量和药代动力学之间的差距之间的不一致。简介维生素D代谢产物25-羟基维生素D（25（OH）D）的血清水平被广泛接受为维生素D状态的标志物。，工作定义包括缺乏症（<30 nmol/l），不足（30 - 50 nmol/l），适当度（50 - 125 nmol/l）（50 - 125 nmol/l）和潜在的毒性（> 125 nmol/l）[1-3] [1-3] [1-3] [1-3]。对于儿童（1-11岁）和青少年（12-18岁），内分泌学会建议补充经验性维生素D，以防止营养易人RICKET，并有可能降低呼吸道感染的风险[2]。在预防呼吸道感染的研究中评估了300 - 2000 IU之间的每日剂量，但内分泌学会建议不建议使用特定剂量[2]。根据欧洲食品安全局（EFSA）的说法，每天剂量至2000 IU对1-10岁的儿童安全[4]。作为第一步，一个有用的目标是通过药代动力学（PK）建模来检查NASEM和EFSA指南之间的一致性，该建模以公正的方式集成了无访问信息。到目前为止，据报道，慢性肾脏病[5]和肥胖和哮喘儿童的口服维生素D建模[6]。这些报告突出了基于体重的剂量选择方法的重要性。不幸的是，没有针对健康的孩子建立建模。，我们基于对南非开普敦健康学童的3年研究[7]，开发了一种基于生理的药代动力学（PBPK）模型[8，9]。性别和体重被用作协变量来预测不同隔室的体积，并且使用年龄范围的体重指数（ZBMI）来预测脂肪质量。在不同的论文中报告了该模型的发展和资格[10]。要检查一致性，我们的目标是评估血清25（OH）D在儿童（6-10岁）和青少年（11-17岁）的每日各种剂量下如何改变。生产快速
通过解释 - 一致性的芬特培养
经常会产生不一致的解释，并在非常相关的问题上进行解释（Chen等人，2023b）。实际上，LLMS甚至常常难以回答同一问题的重塑（Sclar等人，2023;张等。，2023）。目前尚不清楚适应LLM的流行方法，例如从人类反馈中监督的填充或加强学习能够解决此问题。我们通过引入解释 - 一致性登录（EC-FINETUNING）来解决此问题。ec-芬特列列列列斯在合成数据上的LLM精确构建以包含一致的规定。我们从一个问题解释对开始（例如，麻雀可以飞吗？”，“所有的鸟都可以飞”），产生一组相关问题（例如，“可以飞翔？”），然后回答与初始解释一致的相关问题（例如，“所有鸟类都可以飞行，以便企鹅可以飞”）。我们通过提示LLM来生成综合数据，这可能与解释LLM相同或不同。我们将EC-FINETIND应用于提问数据集，并发现它在四个芬口数据集中将自然语言解释的一致性提高了10.0％，也将七个分发数据集的概括（ +4.5％相对）概括为七个未见到的数据集（ +4.5％）。这表明EC-Finetuning通常对于帮助用户从其解释中构建LLM的心理模型很有用（见图1）。
依赖性的依赖计算的一致性
没有可区分性（DCOI）的依赖性计算使用依赖性跟踪来识别类型转换期间的无关参数，并使用没有可区分的参数，以实现与相同统一机制的运行时间和编译时间无关。dCOI还通过使用由观察者级别索引的命题平等类型来内部化有关无法区分性的推理。作为DCOI是一种纯类型系统，先前的工作仅建立了其句法类型的安全性，证明其用作具有依赖类型的编程语言的基础。但是，尚不清楚该系统的任何实例是否适合用作定理的类型理论。在这里，我们确定了一个合适的实例DCOI 𝜔，该实例具有无限的谓词宇宙层次结构。我们表明DCOI 𝜔在逻辑上是一致的，正常的，并且该类型的转换是可决定的。我们使用COQ证明助手机械化了所有结果。
Con4m：上下文感知一致性学习框架...
时间序列分类 (TSC) 包含两种设置：对整个序列进行分类或对分段子序列进行分类。分段 TSC 的原始时间序列通常包含多个类，每个类的持续时间各不相同 (MVD)。因此，MVD 的特性对分段 TSC 提出了独特的挑战，但在现有研究中却很大程度上被忽视了。具体而言，在 MVD 中要分类的连续实例 (段) 之间存在自然的时间依赖性。然而，主流 TSC 模型依赖于独立同分布 (iid) 的假设，专注于独立地对每个段进行建模。此外，具有不同专业知识的注释者可能会提供不一致的边界标签，导致无噪声 TSC 模型的性能不稳定。为了应对这些挑战，我们首先正式证明有价值的上下文信息可以增强分类实例的判别能力。利用 MVD 在数据和标签层面的上下文先验，我们提出了一种新颖的一致性学习框架 Con4m ，该框架有效地利用了更有利于区分分段 TSC 任务中连续片段的上下文信息，同时协调了不一致的边界标签以进行训练。在多个数据集上进行的大量实验验证了 Con4m 在处理 MVD 上的分段 TSC 任务方面的有效性。源代码可在 https://github.com/MrNobodyCali/Con4m 获得。
物理学：通过一致性推理为自主系统的物理攻击
由深神经网络（DNN）赋予的自动驾驶汽车（AV）为我们的社会带来了变革性的变化。但是，他们通常容易受到对抗攻击的影响，尤其是在物理上可实现的扰动，这些扰动可能会误导感知并引起灾难性的结果。尽管现有的防御能够表现出成功，但仍需要提高鲁棒性，同时保持效率以实现实时系统操作。为了应对这些挑战，我们介绍了物理素，这是一种构成的解决方案，利用多方面的推理来进行误解检测和校正。此防御构建在物理特征上，包括静态和动态对象属性及其相互关系。为了有效地整合了这些不同的来源，我们基于条件随机字段开发了一个系统，该系统将对象和关系建模为空间 - 时空图，以在感知到的场景上进行整体推理。为了确保防御不会违反实时网络控制循环的时序要求，我们介绍了工作负载的运行时间特征，以并行化和管道执行量实现。通过模拟数据集和现实世界驾驶测试，可以在实验上验证物理的功效。它还证明了针对自适应攻击的弹性，以及将基本原则应用于视力超出视觉方式的其他方式的潜力。
气候行动计划一致性规定（“...
由 O-21528 NS 制定；自 2022 年 10 月 23 日起生效。）（2024 年 7 月 22 日由 O-21836 NS 更名为“气候行动计划一致性法规”；自 2024 年 10 月 5 日起生效。）[编者注：O-21836 NS 通过的修正案在加州海岸委员会将其认证为地方海岸计划修正案之前，不适用于海岸覆盖区。点击链接查看删除条例，其中突出显示了对先前语言的更改 http://docs.sandiego.gov/municode_strikeout_ord/O-21836-SO.pdf ] §143.1401 气候行动计划一致性法规的目的
一致性引导的及时学习视觉语言...
我们提出了一致性引导的及时学习（COPROMPT），这是一种新的视觉模型微调方法。我们的方法在几次设置的下游任务上进行了微调时，改善了大型基础模型的概括。共同启动的基本思想是在预测可训练和预训练的模型的预测中执行一致性约束，以防止在下游任务上过度适应。此外，我们将以下两个组件引入我们的同意约束中，以进一步提高性能：在两个扰动的输入上执行一致性，并结合了调谐，提示和适配器的两个主导范式。在扰动输入上执行一致性可以进一步正规化一致性约束，从而改善了概括。此外，适配器和提示的集成不仅可以增强下游任务上的性能，而且还提供了提高的输入和输出空间的调谐灵活性。这有助于在几次学习设置中更有效地适应下游任务。实验表明，在一系列评估套件上，副业的表现优于现有方法，包括基本到新颖的概括，域的概括和交叉数据库评估。在概括方面，coprompt改善了零弹药任务的最先进和11个数据集的整体谐波平均值。详细的消融研究表明了共同局限性中每个组件的有效性。我们在https://github.com/shuvenduroy/coprompt上提供代码。
swin-fake：一致性学习变压器的深击视频检测器
摘要：DeepFake已成为一项新兴技术，近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型（例如Xception Network）来区分真实或假媒体；但是，它们在交叉数据集中的表现并不理想，因为它们在当前阶段遭受过度的苦难。因此，本文提出了一种空间一致性学习方法，以三个方面缓解此问题。首先，我们将数据增强方法的选择提高到5，这比我们以前的研究的数据增强方法还多。具体来说，我们捕获了一个视频的几个相等的视频帧，并随机选择了五个不同的数据增强，以获取不同的数据视图以丰富输入品种。其次，我们选择了Swin Transformer作为特征提取器，而不是基于CNN的主链，这意味着我们的方法并未将其用于下游任务，并且可以使用端到端的SWIN变压器对这些数据进行编码，旨在了解不同图像补丁之间的相关性。最后，这与我们的研究中的一致性学习结合在一起，一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失，从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明，弹药效果可能会在某些开源的深层数据集中产生相对良好的结果，包括FaceForensics ++，DFDC，Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较，我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
前夕：有效的零击基于文本的视频编辑，带有深度地图指南和时间一致性约束
以图像扩散模型的出色性能为动机，越来越多的研究人员努力将这些模型扩展到基于文本的视频编辑任务。然而，当前的视频编辑任务主要遭受高调成本与有限发电量之间的困境。与图像相比，我们猜测视频需要更多的限制来保留编辑期间的时间一致性。朝着这一目标，我们提出了夏娃，一种坚固而富的零射击方法。在深度图和时间一致性约束的指导下，EVE通过负担得起的计算和时间成本得出令人满意的视频编辑结果。更重要的是，认识到没有公开可用的视频编辑数据集进行公平比较，我们构建了一个名为ZVE-50数据集的新基准。通过全面的实验，我们验证了夏娃在绩效和效率之间取得令人满意的折衷。代码，数据集和视频编辑演示可在https://github.com/alipay/alipay/ant-multi-modal- framework/blob/ain/main/prj/eve上使用。