XiaoMi-AI文件搜索系统
World File Search SystemRobust
强大的团体策略 - 策略
Steven Kivinen：skivinen@hse.ru norovsambuu tumennasan：norov@dal.ca与William Thomson，Emiliano Catonini，Tatiana Mayskaya，Marciano Siniscalchi，Mar-Ciano siniscalchi，Mar-Ciano siniscalchi，Mar-penta，Antonio penta，Antonio Penta，Marie-Marie-Marie-jim ergin。我们感谢两位匿名裁判的洞察力和详细的评论。我们感谢econo-greetric学会亚洲会议（2018年），西方经济协会国际会议（2018年），加拿大经济协会会议（2018年），比赛（2019年），经济设计会议（2019年）和经济理论进步学会（2019年）（2019年），以及皇后学院，以及皇后学院，以及皇后学院，以及皇后学院的讲者，以及Quamper of Quartial's of Quartial's Provenation和Quamper of Quartial's Provestion。我们感谢加拿大社会科学与人文研究委员会的财务支持（授予＃SSHRC 430-2017-00516）。史蒂文·基维宁（Steven Kivinen）对这项研究的贡献是由俄罗斯学术卓越项目“ 5-100”资助的。
强大且安全的人工智能
无论在设计和开发上投入了多少时间和精力，所有系统都会在某个时候失效。人工智能系统也不例外，容易出现意想不到的、有时甚至是惊人的故障模式。一些故障表明系统组件的脆弱性，例如小贴纸会阻止自动驾驶汽车的感知系统识别停车标志 [1] 。其他故障则表明攻击者如何利用人工智能的新界面来导致故障，例如社交媒体“喷子”通过一连串种族主义语言改变人工智能聊天机器人的个性 [1], [2] 。还有一些故障凸显了系统缺乏多功能性，例如当你的智能扬声器无法回应带有口音的朋友的声音时。即使是在严格控制的开发、实验室和测试环境中操作，能力强且意图良好的开发人员也会无意中创建跨领域和用例的易发生故障的系统。我们如何才能为复杂且模糊的环境（例如国家安全领域）构建强大且安全的人工智能系统？在这些环境中，故障的潜在后果可能是灾难性的。
通过强大的优化，可证明神经网络的强大和合理的反事实解释
反事实解释（CES）已成为解释神经网络分类器的主要方法的越来越多的兴趣。通常，输入输出对的CES定义为具有最小距离的数据点，该数据点与输入分类的输入最小距离，而该输入与输出标签相比。要解决模型参数时很容易无效的确定问题（例如，重新培训）研究提出了方法来证明在模型参数变化下由标准球界定的CES鲁棒性。但是，针对这种鲁棒性形式的现有方法并不完整，它们可能会产生令人难以置信的CES，即离群值WRT WRT训练数据集。实际上，没有现有的方法同时优化邻近性和合理性，同时保留鲁棒性保证。在这项工作中，我们提出了可证明的强大和合理的反事实表达（PREPLACE）1，这是一种利用强大优化技术来促进上述文献中限制的方法。我们制定了一种迭代算法来计算可证明可靠的CES并证明其收敛性，健全性和完整性。通过涉及六个基线的比较实验，其中五个靶向鲁棒性，我们表明，在三个评估方面，预言实现了针对指标的最新表现。关键字：可解释的AI；反事实解释；解释的鲁棒性
使用关键点的稳定不足导航
摘要 - 我们提出了一种基于稳固的视觉范围，用于使用Sepantic Kepoints的囊室不足农业机器人。自主态下导航由于作物行之间的紧密间距（〜0。75 m），由于多径误差而导致的RTK-GPS精度降解，以及从过度混乱中的LiDAR测量中的噪声。早期的工作称为crogfollow，通过提出具有最终感知的基于学习的视觉导航系统来解决这些挑战。然而，这种方法具有以下局限性：由于缺乏置信度措施而导致的遮挡过程中缺乏可解释的表示以及对异常预测的敏感性。我们的系统Cropfollow ++，以学习的语义关键点表示，引入了模块化感知体系结构。这种学习的表示形式比Cropfollow更模块化，更可靠，并且提供了一种置信度措施来检测闭塞。cropfollow ++在涉及碰撞的数量（13 vs. 33）的现场测试中，跨越〜1的碰撞数量显着超过了cropfollow。在挑战性的后期田野中，各有9公里。我们还在各种野外条件下大规模覆盖了多个囊性播种机器人的cropfollow ++，并讨论了从中学到的关键经验教训。
分布稳健图形的图形
通过优化模型的最坏情况性能，基于分布的强大优化（DRO）图形网络方法改善了建议系统的脱离（OOD）概括。但是，这些研究未能考虑嘈杂样本在训练数据中的影响，这导致概括能力降低和准确性降低。通过实验和理论分析，本文表明，当前基于DRO的图形建议方法为噪声分布分配了更大的权重，从而导致模型参数学习由其主导。当模型过于关注训练数据中的噪声样本时，它可能会学习无关紧要或含义的较小功能，这些功能无法推广到OOD数据。为了应对这一挑战，我们为O OD推荐（DRGO）设计了D iStribution Rubust G Raph模型。具体来说，我们的方法首先采用简单有效的扩散范式来减轻潜在空间中的嘈杂效应。此外，在DRO目标函数中引入了熵常规项，以避免在最坏情况下分布中的极端样品权重。最后，我们提供了DRGO的概括误差结合的理论证明，以及对我们的方法如何对嘈杂的样本效应的理论分析，这有助于从理论角度更好地理解所提出的框架。我们在四个数据集上进行了广泛的实验，以评估我们的框架的有效性，以针对三个典型的分布变化进行评估，结果证明了其在独立和相同分布分布（IID）和OOD中的优势。我们的代码可在https://anonymon.4open.science/r/drgo-fed2上找到。
安全、稳定的无线连接
Logi Bolt 旨在帮助降低潜在网络攻击的风险，同时解决因员工移动性增加而导致的安全问题（在家办公就是一个明显的例子）。它采用蓝牙安全模式 1、级别 4（也称为仅安全连接模式），符合联邦信息处理标准 (FIPS)*。这意味着 Logi Bolt 通过加密来强制执行安全性。级别 4 使用经过身份验证的 LE 安全连接 (LESC) 加密配对 - 具体来说，椭圆曲线 Diffie-Hellman P-256 (ECDH) 和 AES-128-CCM 加密。这确保 Logi Bolt 无线产品及其 Logi Bolt USB 接收器只能相互通信。
安全，强大的增强学习
强化学习（RL）在解决相对复杂的任务方面取得了巨大的成功，但是在现实世界中，RL系统的部署构成了与安全性和鲁棒性有关的重大挑战。本文旨在鉴定并进一步了解这些挑战，以彻底探索安全，强大的RL景观的主要维度，包括算法，道德和实际考虑。我们对方法论和开放问题进行了全面审查，这些问题总结了近年来解决与RL应用程序相关的固有风险的努力。在讨论和提出了针对安全和鲁棒的RL的定义之后，本文将现有的研究作品归类为不同的算法方法，从而增强了RL代理的安全性和鲁棒性。我们研究了不确定性估计，优化方法，探索 - 探索折衷和对抗性训练等技术。环境因素，包括SIM到实际转移和域的适应性，也经过审查，以了解RL系统如何适应各种和动态的环境。人类的参与是分析的组成部分，承认了人类在这种情况下可以扮演的广泛角色。重要的是，为了帮助从业者浏览安全和强大的RL实施的复杂性，本文介绍了从合成的文献中得出的实用清单。清单包括算法设计，培训环境注意事项和道德准则的关键方面。它将作为开发人员和政策制定者的资源，以确保在许多应用程序域中负责RL系统的负责部署。
可靠控制的机器人学习
机器人将成为我们日常生活的一部分。他们将在复杂，危险或重复性的任务中为我们提供支持。在过去的十年中，如果经过适当的培训，我们已经看到了机器人如何解决复杂的任务。这些进步使它们更接近与人类一起部署它们的目标。但是，这些机器人仍然不足以使我们相信它们。我们的机器人必须对外部扰动具有鲁棒性，并适应环境的变化及其配置，例如物理损害。在此项目中，您将研究机器人学习或进化计算等最新的机器人学习范式，并开发出可靠和适应性控制的新型算法。用这些算法控制的机器人将解决复杂的任务，例如在粗糙的地形上导航或操纵物体，同时保持健壮并适应不可预见的情况。您将与我们新近获得的四足动物，六角形和机器人手臂一起工作。您将可以访问我们新的高性能计算机设施，以进行计算要求学习算法。该项目包括在高层发表
Robust Transformer-based UPS Series (1~800kVA)
成立于1993年，深圳KSTAR科学技术有限公司（股票代码：002518）是智能能源领域的全球领导者。KSTAR专注于UPS的研发和制造，精密冷却和MDC（模块化数据中心），电池，PV，ESS和EV充电器。