XiaoMi-AI文件搜索系统
World File Search SystemSOTA
balagopal（balu）unnikrishnan
• Developed novel shortcut learning detection framework analyzing 750K+ samples across 13 datasets, predicting out-of-distribution performance degradation with 96% accuracy (Published - Nature npj Digital Medicine) • Created an attention-based mechanism for localizing and correcting for multiple shortcuts (spatial and spectral), surpasses SOTA by 7.5% in data with multiple spurious correlations occurring simultaneously (Under Review - CVPR 2025）•设计生成的内涂层系统，用于使用扩散模型减少医学成像任务的混淆 - 确定并纠正了隐藏分层的诊断性能，提高了20％的诊断性能•构建和部署了多个用于放射学和超声的临床AI工具，用于实施验证协议，并与医院互具
国防部在微电子、射频电子和光子学方面的投资
美国国防部 (DoD) 在安全、低成本地访问旧系统、实践系统和前沿系统方面面临诸多挑战。关键部门对微电子的需求聚集为国防部及其合作伙伴提供了机会。为此，可信与保证微电子计划制定了安全访问关键技术的路线图，包括：最先进 (SOTA) 微电子技术、先进封装和测试、联合联邦保证中心 (JFAC) 以及教育和劳动力发展。这些路线图指导国防部在微电子领域的投资，并为未来投资的跨部门规划（例如 CHIPS 法案）提供信息。毫米波射频氮化镓器件和用于高带宽数据传输的共封装光学器件的制造进步将作为射频和光电子路线图中的案例进行分享。
电池绘画：锂离子电池的关系学习（LIBS）寿命估计
电池寿命估计对于优化电池性能和最小降解至关重要，以提高电池动力系统的效率和可靠性。预测锂离子电池（LIB）剩余的有用寿命（RUL）的现有方法忽略了电池参数的关系依赖性以建模非线性降解轨迹。我们介绍了电池绘画集框架，该框架共同学会了在电池参数之间结合离散的依赖图结构，以捕获复杂的相互作用和图形学习算法，以建模用于RUL预后的固有电池降解。所提出的方法在公开可用的电池数据集上的显着余量优于几种流行方法，并实现了SOTA性能。我们报告了消融研究，以支持我们的方法的功效。
密封：通过支持技能的对手学习朝着闭环方案生成
摘要 - 随着现实世界中的这种技术的增加，对自主驾驶（AD）系统和组件的验证和验证越来越重要。安全性 - 关键场景生成是通过闭环培训来鲁棒性策略的关键方法。然而，场景生成的现有方法依赖于简单的目标，从而导致过度攻击或非反应性的对抗性。为了产生多样化的对抗性但现实的场景，我们提出了印章，即一种方案扰动方法，利用了学分的得分功能和对抗性，类似的人类技能。密封扰动的场景比SOTA基准更现实，从而改善了超过20％以上的真实世界，分布和分布外情景的自我任务成功。为了促进未来的研究，我们发布了我们的代码和工具：https：//github.com/cmubig/seal
gpt -ppg.pdf -Emory计算机科学
摘要这项研究介绍了针对光插曲（PPG）信号量身定制的生成预训练的变压器（GPT）模型的新应用，它是各种下游任务的基础模型。适应标准的GPT档案以适合PPG信号的连续特征，我们的方法证明了有希望的结果。在我们的广泛数据集进行了预先培训后，该数据集包含超过200 mil的30 s PPG样品后，该模型显示了在诸如心率估计等任务中的绩效组合或超过当前最新的（SOTA）。我们的GPT模型的出色功能是其固有的能力，可以有效执行信号denoing，而无需进一步填充。此成功归因于GPT框架的生成性质。展望未来，我们旨在进一步探索其生成能力，并研究其对其他下游任务的影响。
通过辅助短暂延迟
强化学习（RL）在事件及其感官观念之间的延迟案例中具有挑战性。最新的（SOTA）状态增强技术要么在随机环境中遭受状态空间爆炸或性能归化。为了应对这些挑战，我们提出了一种新颖的辅助剥离加固学习（AD-RL）方法，该方法利用涉及短延迟的辅助任务，以加速RL，而RL具有长时间的延迟，而无需在随机环境中造成损害性能。具体来说，AD-RL学习了短延迟的价值功能，并使用引导和策略改进技术来对其进行长时间调整。从理论上讲，这可以大大降低样品的复杂性。在确定性和随机基准上，我们的方法在样本效率和策略绩效中都表现出色。代码可在https://github.com/qingyuanwunothing/ad- rl上找到。
激光盾：具有偏光剂对激光攻击自动驾驶系统的物理防御
自主驾驶系统（AD）被深度神经网络（DNN）增强，以感知环境，而DNN易受对抗性攻击的脆弱性使它们的安全性受到怀疑。其中，由于其最小的要求和物理世界中的高攻击成功率，激光攻击的多样性是一种新的威胁。尽管如此，当前的防御方法表现出较低的防御成功率或针对激光攻击的高计算成本。为了填补这一空白，我们提出了激光屏蔽层，该激光屏蔽层利用偏振器以及最小的旋转机制，以消除广告场景中的对抗激光器。我们还提供了一个物理世界数据集LAPA，以评估其性能。通过使用三个基线，四个指标和三个设置的详尽实验，激光屏蔽被证明超过了SOTA性能。
无事件移动对象从移动自我车辆
虽然HDMAP是自动驾驶的关键组成部分，但获取和维护的昂贵。因此，从传感器中估算这些图的估算有望减轻成本。但是，这些估计值得超过现有的HDMAP，并使用当前的方法来确定低质量图或考虑已知地图的一般数据库。在本文中，我们建议在估计HDMAP时研究的确切情况的现有地图。为了证明这一点，我们确定了3种有用的现有地图（极简主义，嘈杂和过时的）类型。然后，我们介绍了Mapex，这是一个新颖的在线HDMAP估计框架，可说明现有地图。Mapex通过将地图元素编码为查询令牌来实现这一目标，并完善用于训练基于经典查询的MAP估计模型的匹配算法。我们证明Mapex在Nuscenes数据集上带来了重大改进。例如，Mapex-给定嘈杂的地图 - 比MAPTRV2检测器提高了38％，其基于当前SOTA的基础为8％。
通过光谱扩散快速生成-CUHK CSE
摘要 - 生成的图形结构数据是一个具有挑战性的问题，需要学习图形的基础分布。已经提出了各种模型，例如图VAE，图形和图扩散模型，以生成卑鄙且可靠的图形，其中扩散模型已实现了最先进的性能。在本文中，我们认为在整个图邻接矩阵空间上运行全级扩散SDE会阻碍从学习图拓扑生成中扩散模型，因此显着减少了生成图数据的质量。为了解决此限制，我们提出了一个有效但有效的图形光谱扩散模型（GSDM），该模型由图形光谱空间上的低级别扩散SDE驱动。我们的光谱扩散模型得到了进一步的证明，比标准扩散模型具有更强的理论保证。各种数据集的广泛实验表明，我们提出的GSDM被证明是SOTA模型，通过表现出比基线相比，同时表现出明显更高的生成质量和计算消耗少得多。
用于自动胎儿脑生物测量的双重对抗校准框架
本文介绍了一种新颖的胎儿脑部自动生物测量方法，该方法旨在满足中低收入国家的需求。具体而言，我们利用高端 (HE) 超声图像为低成本 (LC) 临床超声图像构建生物测量解决方案。我们提出了一种新颖的无监督域自适应方法来训练深度模型，使其对图像类型之间显著的图像分布变化保持不变。我们提出的方法采用双对抗校准 (DAC) 框架，由对抗途径组成，可强制模型对以下方面保持不变：i) 来自 LC 图像的特征空间中的对抗性扰动，以及 ii) 外观域差异。我们的双对抗校准方法估计低成本超声设备图像上的小脑直径和头围，平均绝对误差 (MAE) 为 2.43 毫米和 1.65 毫米，而 SOTA 分别为 7.28 毫米和 5.65 毫米。