XiaoMi-AI文件搜索系统
World File Search SystemPROMPT
spt：交互式图像分割的序列提示变压器
摘要 - Interactive分割旨在根据用户提供的点击从图像中提取感兴趣的对象。在现实世界应用中，通常需要分割一系列具有相同目标对象的图像。但是，现有方法通常一次处理一个图像，未能考虑图像的顺序性质。为了克服这一限制，我们提出了一种称为序列提示变压器（SPT）的新方法，该方法是第一个利用顺序图像信息进行交互式分割的方法。我们的模型包括两个关键组成部分：（1）序列提示变压器（SPT），用于从图像，点击和掩码序列中获取信息以提高准确的信息。（2）TOP-K提示选择（TPS）选择SPT的精确提示，以进一步增强分割效果。此外，我们创建ADE20K-SEQ基准测试，以更好地评估模型性能。我们在多个基准数据集上评估了我们的方法，并表明我们的模型超过了所有数据集的最新方法。索引项 - 计算机视觉，交互式图像分割
在视觉提示学习中量化提示的隐私风险
大规模的预训练模型越来越多地通过称为及时学习的新范式来适应下游任务。与微调相比，及时学习不会更新预训练的模型的参数。相反，它仅学习输入扰动，即提示，以添加到下游任务数据中以进行预测。鉴于迅速学习的快速发展，由于使用了巨大的努力和专有数据来创建它，因此不可避免地将良好的及时化成为有价值的资产。这自然提出了一个问题，即提示是否会泄露其培训数据的专有信息。在本文中，我们对通过财产推理和成员推理攻击的视觉提示学习的提示进行了首次全面的隐私评估。我们的经验评估表明，提示很容易受到两种攻击的影响。我们还证明，对手可以以有限的成本进行成功的推理攻击。此外，我们表明，通过放松的对抗性假设，针对提示的会员推理攻击可以成功。我们进一步对防御措施进行了一些初步调查，并观察到我们的方法可以减轻成员的推论，并以体面的公用事业防御权衡取舍，但未能防御财产推理攻击。我们希望我们的结果能够阐明流行的及时学习范式的隐私风险。为了促进这一方向的研究，我们将与社区分享我们的代码和模型。1
可转移、可极化的蛋白质粗粒度模型─ProMPT
摘要：由于表示所有原子的计算复杂性，经典分子动力学 (MD) 模拟在原子分辨率（细粒度级别，FG）下对大多数生物分子过程的应用仍然有限。这个问题在具有非常大构象空间的基于蛋白质的生物分子系统存在的情况下被放大，并且具有细粒度分辨率的 MD 模拟具有探索该空间的缓慢动态。文献中当前的可转移粗粒度 (CG) 力场要么仅限于以隐式形式编码环境的肽，要么无法捕获从氨基酸一级序列到二级/三级肽结构的转变。在这项工作中，我们提出了一种可转移的 CG 力场，它明确表示环境，以便对蛋白质进行精确模拟。力场由一组代表不同化学基团的伪原子组成，这些化学基团可以连接/关联在一起以创建不同的生物分子系统。这保留了力场在多种环境和模拟条件中的可转移性。我们添加了可以响应环境异质性/波动的电子极化，并将其与蛋白质的结构转变耦合。非键合相互作用通过基于物理的特征（例如通过热力学计算确定的溶剂化和分配自由能）进行参数化，并与实验和/或原子模拟相匹配。键合势是从非冗余蛋白质结构数据库中的相应分布推断出来的。我们通过模拟经过充分研究的水蛋白系统来验证 CG 模型，这些系统具有特定的蛋白质折叠类型 Trp-cage、Trpzip4、villin、WW-domain 和 β - α - β 。我们还探索了力场在研究 A β 16-22 肽的水聚集中的应用。■ 简介蛋白质分子的生理功能与其相关结构和动力学密切相关。1、2
合成健康大脑图像的生成提示模型。
健康受试者的脑成像数据库规模非常有限，不足以满足基于深度学习的方法固有的学习步骤。获取 MRI 图像需要时间和昂贵的资源，而这些资源不能花在健康的患者身上。因此，模型总是根据呈现各种病理的图像进行训练：胶质母细胞瘤、多发性硬化症病变、阿尔茨海默氏症等。拥有一个能够生成健康患者图像的系统将能够构成学习网络所必需的大量数据，通过向数据中添加特定的时间变化标记来掌握病理学研究，从而创建在医学成像中极为罕见的时间序列。因此，根据文本描述生成医学图像的技术为生成临床质量的图像提供了一种经济高效且非侵入性的替代方法。
设备上的天气基础模型的联合及时学习
天气预报的设备智能使用本地深度学习模型来分析没有集中云计算的天气模型，对支持人类激活具有重要意义。联邦学习是通过在不共享原始数据的情况下进行协作模型培训来实现协作模型培训的一种有希望的解决方案。但是，它面临着妨碍其可靠性的三个主要挑战：（1）由于地理差异而导致设备之间的数据异质性； （2）单个设备中的数据同质性和（3）发送大型模型参数以进行协作而进行的通信过载。为了应对这些挑战，本文为天气模型（FEDPOD）提供了供您提供的供应的p rompt学习，该模型（FEDPOD）启动了启动的设备，以在维持沟通效率的同时获得高度定制的模型。具体而言，我们的自适应及时调整杆轻巧的提示指导冷冻基础模型产生更精确的预测，还进行了迅速的基于基于多层次的沟通，以鼓励多源知识知识效果并调节优化。此外，Dy-Namic图建模构造了提示的图形，优先考虑具有与异质性相似的数据分布的设备之间的协作培训。广泛的实验表明，FEDPOD在现实世界内部的天气预报数据集中领导着最先进的基线的性能。
迅速在扩展中使用生成AI的工程原理
生成型AI（Genai）是一个新的人工智能类别，可以创建不同类型的内容，例如文本，图像，音频，代码，模拟和视频（Google，2023; Mollick＆Mollick，2023; Toner，2023）。它通过从现有数据中学习并使用该信息来生成新的原始内容（Gordon，2023; McKinsey＆Company，2023）来做到这一点。genai与只能对选择，组进行分类或进行选择的其他类型的AI不同。Genai系统的示例包括大语言模型ND图像，音频和代码生成器（Google，2023; Toner，2023）。几所大学正在制定政策，以指导Genai的道德使用（例如弗吉尼亚大学的生成AI教学工作组）。因此，扩展应采取措施来设想它如何负责任地和道德上利用Genai产生内容的能力。表1提供了各种Genai系统的示例，并描述了其功能。
CFEN 001 AI 提示工程认证概念卡
AI 提示工程证书是一项专门的认证，旨在让联邦雇员掌握有效利用 AI 模型（尤其是像 ChatGPT 这样的大型语言模型）的知识和技能。该证书包括两门 Coursera 课程——ChatGPT 提示工程和人人都适用的高级提示工程——让学员深入了解提示工程的基本和高级技术。学员将学习如何制作精确、有效的提示，以指导 AI 系统实现预期结果、自动执行任务并简化决策流程。高级技能包括优化复杂 AI 任务的提示、确保合乎道德的使用以及根据联邦法规管理 AI 驱动的解决方案。该证书通过授权员工领导 AI 创新，同时遵守道德标准，提高了联邦机构的运营效率。
概念卡 CFEN 001 人工智能提示工程证书
AI 提示工程证书是一项专门的认证，旨在让联邦雇员掌握有效利用 AI 模型（尤其是像 ChatGPT 这样的大型语言模型）的知识和技能。该证书包括两门 Coursera 课程——ChatGPT 提示工程和人人都适用的高级提示工程——让学员深入了解提示工程的基本和高级技术。学员将学习如何制作精确、有效的提示，以指导 AI 系统实现预期结果、自动执行任务并简化决策流程。高级技能包括优化复杂 AI 任务的提示、确保合乎道德的使用以及根据联邦法规管理 AI 驱动的解决方案。该证书通过授权员工领导 AI 创新，同时遵守道德标准，提高了联邦机构的运营效率。
生成AI简介：从及时工程到实际应用
本课程不仅仅是了解AI，还涉及在现实世界数字营销和通信方案中掌握其应用程序。生成的AI迅速成为任何人都可以使用的商品。将专业人士与众不同的是他们有效，战略性地利用这些工具的能力。我们的课程旨在弥合理论知识和实际应用之间的差距，重点是如何使用AI来取得切实的结果。
关键的及时工程策略以平衡成本，绩效和准确性
首先，您将需要在提示中清楚地定义所需的响应，以避免AI的误解。例如，如果您要求提供一个新颖的摘要，则清楚地表明您正在寻找摘要，而不是详细的分析。这有助于AI仅专注于您的请求，并提供与您的目标保持一致的响应。