XiaoMi-AI文件搜索系统
World File Search SystemTransferability
利用虚拟密集连接提升视觉变换器的对抗性迁移能力
随着视觉变换器 (ViT) 的巨大成就，基于变换器的方法已成为解决各种计算机视觉任务的新范式。然而，最近的研究表明，与卷积神经网络 (CNN) 类似，ViT 仍然容易受到对抗性攻击。为了探索不同结构模型的共同缺陷，研究人员开始分析跨结构对抗性迁移能力，而这方面仍未得到充分研究。因此，在本文中，我们专注于 ViT 攻击，以提高基于变换器和基于卷积的模型之间的跨结构迁移能力。先前的研究未能彻底调查 ViT 模型内部组件对对抗性迁移能力的影响，导致性能较差。为了克服这个缺点，我们开展了一项激励研究，通过线性缩小 ViT 模型内部组件的梯度来分析它们对对抗性迁移能力的影响。基于这项激励研究，我们发现跳跃连接的梯度对迁移能力的影响最大，并相信来自更深块的反向传播梯度可以增强迁移能力。因此，我们提出了虚拟密集连接方法（VDC）。具体来说，在不改变前向传播的情况下，我们首先重构原始网络以添加虚拟密集连接。然后，在生成对抗样本时，我们通过虚拟密集连接反向传播更深层注意力图和多层感知器（MLP）块的梯度。大量实验证实了我们提出的方法优于最先进的基线方法，ViT模型之间的可迁移性提高了8.2%，从ViT到CNN的跨结构可迁移性提高了7.2%。
混合人机协作的敏捷新研究框架：信任、透明度和可转移性
我们提出了一个新的研究框架，通过该框架可以在实验环境中探索人机协作这一新兴学科，为转移到现实世界做准备。我们通过敏捷方法的视角研究现有文献和未解答的研究问题，以构建我们提出的框架。我们的框架旨在提供一个结构来理解这个研究领域的宏观特征，支持对人机协作对人类团队成员的可接受性以及人工智能团队成员的承受能力进行整体研究。该框架有可能增强人机混合团队的决策能力和绩效。此外，我们的框架提出了敏捷方法在研究管理和知识发现中的应用。我们提出了一种可转移性途径，用于在安全环境中初步测试混合团队，例如实时战略视频游戏，并将经验教训的元素转移到现实世界中。
欧洲衍生的阿尔茨海默氏病多基因1风险评分的可转移性在多学院人群中。 2
Aude Nicolas 1.2,*,#, Richard Sherva 3.4,*, Benjamin Grenier-Cando 1,*, Yoontae Kim 5,*, Masataka Kikuchi 6, 4 Jigyasha Timsina 7.8, itziar de Rojas 9.10, María Carolina Dalmasso 11.12, Xiaopu Zhou 13,14.15, Yann, Yann. 5 Guen 16.17，Carlos和Arborada-Buscos 18，Maria Aparecida Camargos Bicalho 19,20.21，MaëlennGuchet 22，6 Sven van der Lee 23.24，Monica Goss 23，Monica Goss 25，Atahualpa Castillo 26 25,29.30, Bernard Fongang 25,31.32, Qiong Yang 29.30, Oliver Peters 33.34, Anja 8 Schneider 35.36, Martin Dechgans 37.38.39, Dan Rujescu 40, Norbert Scherbaum 41, Jürgen Deckert 42, Steffi 9 Riedel-Heller 43, Lucrezia Hausner 44, Laura Molina Porcel 45.46，EmrahDüzel47.48，Timo Grimmer 49，Jens 10 Wiltfang 50.51.52，Stefanie Heilmann-Heimbach 53，Susanne Moebus 54，Thomas Tegos 55，Nikolaos 11 Scarmes 55，Nikolaos 11 Scarmes 56.56.57，Oriol feriol dols-dols-dols-dols-dols-dols-dols-icardodol dols-doll dolsocoto dolls-sic.10。 Moreno 59,10,60，JordiPérez-Tur 61.10，MaríaJ。Buldido 62,10,63.64，12 Pau Pastor 65.66，RaquelSánchez-Valle 67，Victoriaálvarez68.69，68.69，Han Cao 13，Han Cao 13，Nance Y. Y. Y. Y. Y. Y. Y. Y. IP 13,14.14.14.14.14.14.14.14.14.14.14.14 k.y.y。 Pijnenburg 23，Henne Holstege 23.92，John Van Swieten 93，Harro Seelaar 93，Jurgen A.H.R.Aude Nicolas 1.2,*,#, Richard Sherva 3.4,*, Benjamin Grenier-Cando 1,*, Yoontae Kim 5,*, Masataka Kikuchi 6, 4 Jigyasha Timsina 7.8, itziar de Rojas 9.10, María Carolina Dalmasso 11.12, Xiaopu Zhou 13,14.15, Yann, Yann. 5 Guen 16.17，Carlos和Arborada-Buscos 18，Maria Aparecida Camargos Bicalho 19,20.21，MaëlennGuchet 22，6 Sven van der Lee 23.24，Monica Goss 23，Monica Goss 25，Atahualpa Castillo 26 25,29.30, Bernard Fongang 25,31.32, Qiong Yang 29.30, Oliver Peters 33.34, Anja 8 Schneider 35.36, Martin Dechgans 37.38.39, Dan Rujescu 40, Norbert Scherbaum 41, Jürgen Deckert 42, Steffi 9 Riedel-Heller 43, Lucrezia Hausner 44, Laura Molina Porcel 45.46，EmrahDüzel47.48，Timo Grimmer 49，Jens 10 Wiltfang 50.51.52，Stefanie Heilmann-Heimbach 53，Susanne Moebus 54，Thomas Tegos 55，Nikolaos 11 Scarmes 55，Nikolaos 11 Scarmes 56.56.57，Oriol feriol dols-dols-dols-dols-dols-dols-dols-icardodol dols-doll dolsocoto dolls-sic.10。 Moreno 59,10,60，JordiPérez-Tur 61.10，MaríaJ。Buldido 62,10,63.64，12 Pau Pastor 65.66，RaquelSánchez-Valle 67，Victoriaálvarez68.69，68.69，Han Cao 13，Han Cao 13，Nance Y. Y. Y. Y. Y. Y. Y. Y. IP 13,14.14.14.14.14.14.14.14.14.14.14.14 k.y.y。Pijnenburg 23，Henne Holstege 23.92，John Van Swieten 93，Harro Seelaar 93，Jurgen A.H.R.Pijnenburg 23，Henne Holstege 23.92，John Van Swieten 93，Harro Seelaar 93，Jurgen A.H.R.13是13,14.15，Fanny C. F. IP 14,15，Natividad Olivar 70，Carolina Muchnik 70，Carolina Cuesta 71，Lorenzo 14 Campanelli 72，Patricia Solis 73，Patricia Solis 73，Daniel Gustavo Politis 71，Silvia Kochen 73，Silvia Kochen 73，Luis 73，Luis 73，Luisio 70，blusio 70，bluse 70，49 García-González74，Raquel Puerta 74，Pablo Mir 75.10，Luis M Real 76.77.10，GerardPiñol-16 Ripoll- 16 Ripoll-16 Ripoll 78.79，JoseMaríaGarcía-Alberca-Alberca-Alberca 80.10 80.10 83，Sami Heikkinen 84，Alexandre deMendonça85，Shima Mehrabian 86，Latchezar Traykov 87，18 Jakub Hort 88.89，Martin Vyhnuk 88.89，Katrine Laura Laura Laura Raster laura laura rastussen 90.91
对Koning等人的评论：冰岛预防模型的实施：对其全球可转让性的批判性讨论
作者感谢Koning等。对冰岛预防模型（IPM）的批判性审查以及强调其优势。但是，我们希望回应他们的批评。首先，Koning等。得出的结论是：‘…仍然不清楚IPM的核心组成部分是什么。此外，Kristjansson等人的指导原则。（2020 a）不包括特定的干预组件……'（Koning等，2021，第3页）。指导原则（Kristjansson等，2020 A）和IPM的实施步骤（Kristjansson等，2020b）已详细描述；但是Koning等。似乎忽略了这些描述。他们认为IPM是一个干预程序，事实并非如此。类似于SAMHSA的战略预防框架（SAMHSA，2019年），IPM是一种过程结构，旨在促进长期社区授权和系统变化。IPM指向父母/护理人员，同伴小组，学校社区和休闲时间的四个优先领域内的潜在干预领域（例如Kristjansson等人，2020b，表2）;但是，该模型没有规定特定的干预措施。第二，Koning等。声称监督 - 阶段的活动（包括代金券系统）和宵禁时间是模型的一部分。再次，这是不正确的。这些是在许多冰岛社区中颁布的特定企业，以响应基于实践的证据。（Kristjansson等，2020b）;但是，这些都不是模型的规定组成部分。IPM采用严格的诊断评估系统来了解可能需要并应对不同级别的各种干预措施的全球和地方问题，包括国家法律的变化，地方规则，改善父母与学校的合作，资助地方预防专家，访问权限，访问权限以及增加正式休闲时间活动的机会等。
测量机器学习力场中的可传递性问题：与线性电势的金铁相互作用的示例
原子建模通常分为两种不同类型的模拟。一方面，包括Hartree -Fock和密度功能理论（DFT）方法在内的量子方法被认为是最准确的，几乎用于任何类型的化学物种[1，2]。另一方面，经典力场用于执行精度较低的大规模和长期模拟[3，4]。但是，仍然很难连接这两种方法，直到现在，人们几乎无法执行涉及数百万个原子的纳秒原子的模拟，同时保留量子方法的准确性。在这种情况下，近年来已经提出了机器学习互动电位（MLIP），并显示出实现此类模拟的巨大潜力[5-7]。目前考虑了许多方法，包括人工神经网络[8]，高斯近似方法[9]，线性电位[10，11]，频谱邻域分析电位[12]，对称梯度域机器学习[13，14]和矩张量张量的电位[15]。这些技术的成功得到了成功解决的各种材料的认可：纯属金属[16-20]，有机分子[21-24]，氧化物[25，26]，水[27 - 31]，无定形材料[32 - 37]和HYBRIDPEROVSKITES [32 - 37]和HYBRIDERIDPEROVSKITES [38]。对于所有这些技术，主要过程包括对力场使用非常通用的分析公式，然后将其进行参数化以匹配DFT计算数据库，包括总能量，力和应力张量。但是，人们承认MLIP有时会显示出对学习数据库中未包含的系统的可传递性。在最坏的情况下，MLIP SO-WELL拟合到其学习数据库中，可以在其外观察到非物理行为。为了解决此问题，主要建议是定期检查电位的准确性，因为进行了机器学习分子动力学模拟并改善MLIP“ fly the Fly” [38 - 40]。，据我们所知，这种方法的这种缺陷从未经过定量调查，而在被用户和开发人员承认的同时。
海洋热收敛和北大西洋多年代热含量变异性深度学习模拟器对区域气候模型预测的可转让性和解释性：未来应用的观点
摘要：区域气候模型（RCM）是模拟和研究区域气候变化和变化的重要工具。但是，它们的高计算成本限制了区域气候预测的全面合奏，涵盖了各个地区的多种情况和驱动全球气候模型（GCM）。RCM模拟器基于深度学习模型最近被引入了一种具有成本效益且有希望的替代方案，仅需要简短的RCM模拟来训练模型。因此，评估其转移性到不同时期，场景和GCMS成为一个关键而复杂的任务，其中GCM和RCMS的固有偏见起着显着的作用。在这里，我们通过考虑文献中引入的两种不同的仿真方法的关注，并在这里分别称为完美预后（PP）和模型输出统计量（MOS），遵循良好建立的降水术语。除了标准评估技术外，我们还通过可解释的人工智能（XAI）的方法扩展了分析，以评估模型学到的经验联系的物理一致性。我们发现，两种方法都能够在不同的时期和场景（软传递性）中模仿RCM的某些气候特性，但是仿真函数的一致性在AP的范围之间有所不同。虽然PP学习了鲁棒且身体上有意义的模式，但MOS结果在某些情况下依赖于GCM，并且在某些情况下缺乏物理一致性。这限制了其适用于构建RCM结束的适用性。由于存在GCM依赖性偏差，将仿真函数转移到其他GCM（硬传递性）时都面临问题。我们通过为未来的申请提供前景来得出结论。
基于机器学习的建模框架的转移性在沿海地区的最大河水深度
摘要。尽管使用机器学习（ML）模型来预测浮球，但尚未探索其用于未示例数据的可传递性。本文开发了一种基于ML的模型，用于在沿海流域的重大事件中最大程度地介绍最大河水深度，并评估其在其他事件（样本外）中的可传递性。该模型考虑了侵入因子的空间分布，这些因素解释了基本的物理过程，从而使最大的河水深度最大。我们的模型评估在美国东北部的六位数水文统一代码（HUC6）中显示，该模型在一个重大漏斗事件中，在116个河流仪表仪上令人满意的最大后播在116个河流仪表中，飓风IDA（r 2 of 0.94 of 0.94）。预先训练的，经过验证的模型已成功转移到其他三个主要的浮动事件，飓风以赛亚，桑迪和艾琳（r 2>0。70）。我们的结果表明，当由相关特征的空间分布，它们的相互作用以及沿海流域的基本物理过程的空间分布告知时，基于ML的模块可以转移最大河水深度。
A Maturity Model for European Micro-credentials
Technology & Data for Micro-credentials • Aligning with the ELMv.3 allows for comparability and transferability • Several member states possess unique digital authentication systems • EUDI wallet is a tool to allow portability of micro-credentials (coming soon)
程序
The URBANE Innovation Transferability Platform: Learnings for Decarbonising Last Mile Delivery Networks - Rod Franklin, Ioanna Fergadiotou, Maria Kampa, Harris Niavis, Thanos Karydis, Patrycja Antosz, Önder Gürcan, Xavier Brusset, Ade Fajemisin, Aristea Zafeiropoulou, George Misiakoulis,佐治亚州Ayfantopoulou，Zisis Maleas，Dimos Touloumidis，Merve Seher Cebeci，Timo Szczepanska，Michiel de Bok，Michiel de Bok，Rodrigo Tapia和LóriTavasszy
整合护理以预防和管理慢性疾病
图1.1。四分之一的全科医生从事个人实践工作26图2.1。经合组织国家出生时的预期寿命，1970- 2019年（或最近的一年）51图2.2。成人的超重（包括肥胖），2019年（或最近的一年）52图2.3。社会经济小组的体育和锻炼53图2.4。收入五分之一的患有长期疾病或健康问题的人的比例54图2.5。遇到护理协调问题的患者的比例* 62图2.6。通常在一周内从专家那里获得成果的初级保健医生的比例63图3.1。护理模型提供的干预措施72图3.2。获得的LYS和DALY的累积数量，2022-50 - 德国Optmedis 74图3.3。Lys和Dalys每100 000人，2022-50 - Optimedis，EU27国家75图3.4。每人累积的健康支出节省，欧元，2022-50 - 德国优化76图3.5。健康支出（HE）储蓄占HE和人均总数的百分比（EUR），平均2022-50 - Optimedis，EU27国家77图3.6。使用聚类的可传输性评估 - Optimedis模型87图4.1。人均节省的平均储蓄和全健康支出的百分比，2023-50 - H@H，EU27国家99图4.2。使用聚类的转移性评估 - 住院108图5.1。SCS用户的数量和平均登录数，2012-20 119图5.2。采用率，2012-20 123图5.3。按年龄和性别划分的SCS用户 - 2020 124图5.4。 使用聚类的可转让性评估 - Oulu的自我护理服务132图6.1。 综合护理模型对医疗保健支出的估计影响 - 方案分析（2013-20）144图6.2。 使用聚类的可转让性评估 - 巴斯克国家的综合护理模型155图7.1。 使用聚类的可转移性评估 - BSA 177图8.1。 平均GP访问次数的变化，2014-20 187图8.2。 更改专家访问的平均数量，2014-19 188图8.3。 PHC Plus对选定的PERM指标的影响189图8.4。 PHC Plus对选定舞会的影响（患者报告的结果指标）190图8.5。 按位置按医疗中心和患者的数量（2008-20之间的总数）192图8.6。 MDC患者的数量，2014-20 194图8.7。 按年龄组195年对MDC患者的细分图8.8。 使用聚类 - MDC 201图9.1的可转移性评估。 使用聚类的可转移性评估 - Telehomecare 221图10.1。 数字路线图计划中干预措施的概述229图10.2。 使用Internet通过Internet寻求健康信息的百分比235图10.3。 使用聚类评估 - 数字路线图计划246图11.1。 吸收苏格兰的任何地方平台257图11.2。 使用聚类的可转让性评估 - TEC程序267按年龄和性别划分的SCS用户 - 2020 124图5.4。使用聚类的可转让性评估 - Oulu的自我护理服务132图6.1。综合护理模型对医疗保健支出的估计影响 - 方案分析（2013-20）144图6.2。使用聚类的可转让性评估 - 巴斯克国家的综合护理模型155图7.1。使用聚类的可转移性评估 - BSA 177图8.1。平均GP访问次数的变化，2014-20 187图8.2。更改专家访问的平均数量，2014-19 188图8.3。PHC Plus对选定的PERM指标的影响189图8.4。PHC Plus对选定舞会的影响（患者报告的结果指标）190图8.5。按位置按医疗中心和患者的数量（2008-20之间的总数）192图8.6。MDC患者的数量，2014-20 194图8.7。按年龄组195年对MDC患者的细分图8.8。使用聚类 - MDC 201图9.1的可转移性评估。使用聚类的可转移性评估 - Telehomecare 221图10.1。数字路线图计划中干预措施的概述229图10.2。使用Internet通过Internet寻求健康信息的百分比235图10.3。使用聚类评估 - 数字路线图计划246图11.1。吸收苏格兰的任何地方平台257图11.2。使用聚类的可转让性评估 - TEC程序267