XiaoMi-AI文件搜索系统
World File Search SystemGeneration
根据图统计信息生成神经图
我们描述了一种从聚合图统计数据（而不是图邻接矩阵）学习深度图生成模型 (GGM) 的新设置。匹配观察到的训练图的统计数据是学习传统 GGM（例如 BTER、Chung-Lu 和 Erdos-Renyi 模型）的主要方法。隐私研究人员已提出从图统计数据中学习作为保护隐私的一种方式。我们开发了一种架构来训练深度 GGM 以匹配统计数据，同时保留局部差异隐私保证。对 8 个数据集的实证评估表明，当两者都仅从图统计数据中学习时，我们的深度 GGM 比传统的非神经 GGM 生成更逼真的图。我们还将仅在统计数据上训练的深度 GGM 与在整个邻接矩阵上训练的最先进的深度 GGM 进行了比较。结果表明，图统计数据通常足以构建具有竞争力的深度 GGM，该深度 GGM 可生成逼真的图，同时保护本地隐私。
黑客攻击人工智能——下一代被劫持的系统
摘要：在未来十年内，为了应对高度互联和数字化的世界所产生的大量信息，对自动化、智能数据处理和预处理的需求预计将会增加。在过去的几十年里，现代计算机网络、基础设施和数字设备的复杂性和互联性都在增长。保护这些资产的网络安全人员面临着越来越多的攻击面和不断改进的攻击模式。为了管理这一点，网络防御方法开始依赖于支持人类工作的自动化和（人工智能）。然而，机器学习 (ML) 和人工智能 (AI) 支持的方法不仅已集成到网络监控和端点安全产品中，而且几乎无处不在涉及持续监控、复杂或大量数据的任何应用中。智能 IDS、自动化网络防御、网络监控和监视以及安全软件开发和编排都是依赖 ML 和自动化的资产的例子。由于这些应用对社会的重要性，恶意行为者对这些应用非常感兴趣。此外，ML 和 AI 方法还用于数字助理、自动驾驶汽车、人脸识别应用等所使用的视听系统中。已经报道了针对视听系统 AI 的成功攻击媒介。这些攻击范围从需要很少的技术知识到劫持底层 AI 的复杂攻击。
使用基于能量的模型进行隐式生成和建模
基于能量的模型 (EBM) 因其在似然建模中的通用性和简单性而具有吸引力，但传统上很难训练。我们介绍了在连续神经网络上扩展基于 MCMC 的 EBM 训练的技术，并展示了它在 ImageNet32x32、ImageNet128x128、CIFAR-10 和机器人手轨迹的高维数据域上的成功，获得了比其他似然模型更好的样本，接近当代 GAN 方法的性能，同时覆盖了数据的所有模式。我们重点介绍了隐式生成的一些独特功能，例如组合性和损坏图像重建和修复。最后，我们表明 EBM 是适用于各种任务的有用模型，实现了最先进的分布外分类、对抗鲁棒分类、最先进的持续在线类学习和连贯的长期预测轨迹推出。
下一代欧盟会改变游戏规则吗？与 IRA 的比较及应对方法
来源：Dorrucci 和 Freier (2023)，基于欧盟委员会数据和欧洲中央银行体系公共财政工作组的估计。根据 Coeuré 报告 (2021)，法国在 RRF 下的现金支出。注：实线表示德国 (DE)、法国 (FR)、意大利 (IT) 和西班牙 (ES) 在 RRF 期间 (2021-26) 预计吸收的 RRF 资金。虚线表示这四个国家实际吸收的欧盟过去在欧盟多年期财政框架 (MFF) 下提供的资源。吸收率是支付给成员国的金额占该国可获得的欧盟总预算的百分比。第 1 年是相应计划的第一年，即 2007-13 MFF 为 2007 年，2014-20 MFF 为 2014 年，RRF 为 2021 年。第 1 年包括 RRF 下的预融资。2007-13 年 MFF（黑色虚线）的吸收率显示为四个国家的平均值，包括欧洲区域发展基金 (ERDF)、凝聚基金 (CF) 和欧洲社会基金 (ESF)，而 2014-20 年 MFF 仅包括 ERDF 和 CF。2014-20 年 MFF 下的数据是 2021 年（图表中的第 8 年）的临时数据
Z代，银行和个人财务管理
传统银行 - E.G.BBVA，Caixabank-被确定为西班牙大型金融危机背后的主要作者。新银行模型 - 例如n26-被认为更“道德”，更适合年轻的客户资料和需求。但是，这还不足以点燃信任。
集成和现场评估下一代高保真声音和运动标签以调查行为反应
新系统被引入到标签池中。结果将用于评估整个系统的性能（连接、部署、恢复和数据提取）。在项目过程中将制造多达 12 个单元以支持现场测试。单元将在斯特尔瓦根银行国家海洋保护区、夏威夷群岛座头鲸国家海洋保护区和亚速尔群岛海带海洋研究中心进行现场测试。座头鲸是前两个地点的目标物种，众所周知，它们表现出不同的行为，为性能评估提供不同的运动和互动。标签将部署在亚速尔群岛的深海抹香鲸和领航鲸身上，以评估标签对深海物种的性能。喙鲸和灰海豚也存在于研究区域中，如果有的话，它们将成为目标。
ChatScene：自动驾驶汽车的知识关键方案生成
摘要我们提出了一种大型语言模型（LLM）的ChatScene-利用LLM的能力来为自动驾驶汽车的安全至关重要方案。给定的非结构化语言指令，代理首先使用LLMS生成文本描述的流量方案。这些SCE-NARIO描述随后被分解为几个子描述，以获取指定的细节，例如行为和车辆的位置。代理然后将文本描述的子筛选性转换为特定于域的语言，然后在模拟器中生成用于预测和控制的实际代码，从而促进了Carla Simulation Envimonment中的不同和复杂场景的创建。我们代理的关键部分是一个全面的知识检索组件，它通过训练包含情景描述和代码对的知识数据库来有效地将特定的文本描述转化为相应的特定领域代码段。广泛的实验结果强调了Chatscene在提高自动驾驶汽车安全性方面的功效。对于Intance，ChatScene产生的方案显示，与最先进的基线相比，在针对不同的基于强化的基于学习的自我车辆进行测试时，碰撞率增加了15％。此外，我们表明，通过使用我们生成的安全 - 关键方案来微调不同的基于RL的自主驾驶模型，它们可以降低碰撞率9％，超过Cur-Current Sota方法。代码可在https://github.com/javyduck/chatscene上找到。ChatScene有效地弥合了交通情况的文本描述与实际CARLA模拟之间的差距，从而提供了一种统一的方式，以方便地生成安全至关重要的方案，以进行安全测试和改进AVS。