XiaoMi-AI文件搜索系统
World File Search SystemTransferability
多模式嵌入中的对抗幻觉
多模式嵌入式编码文本，图像，热图像，声音和视频中的单个嵌入空间，对跨不同方式的对齐表示（例如，，将狗的图像与吠叫声相关联）。在本文中，我们表明多模式的嵌入可能容易受到我们称为“对抗幻觉的攻击”。给定图像或声音，对手可以扰动它，以使其嵌入接近另一种模式中的任意，对手选择的输入。这些攻击是跨模式和目标的：对手可以将任何图像或声音与他选择的任何目标保持一致。广泛的幻觉利用了嵌入空间中的邻近性，因此对下游任务和方式不可知，从而实现了当前和将来的任务的批发妥协，以及对敌方无法获得的方式。使用Imbind和AudioClip嵌入，我们演示了对抗性输入，在不了解特定下游任务，误解图像生成，文本生成，零拍，零拍摄和音频检索的情况下生成的对准输入是如何对准的。我们调查了跨不同嵌入式嵌入方式的幻觉的可转移性，并开发了我们方法的黑盒版本，我们用来证明对亚马逊商业专有泰坦嵌入的第一个对抗性对齐攻击。最后，我们分析了对策和逃避攻击。
通过自监督学习捕捉时间节点演化：动态图学习的新视角
由于动态图会随着时间的推移而演变，因此在社会关系分析、推荐系统和医学等许多领域发挥着重要作用。捕捉动态图的演变模式是至关重要的。现有的研究大多集中于限制邻居快照之间的时间平滑度，而未能捕捉到有利于图动态嵌入的急剧变化。为了解决这个问题，我们假设动态图节点的演化可以分为时间移位嵌入和时间一致性嵌入。因此，我们提出了自监督时间感知动态图表示学习框架（STDGL），通过精心设计的辅助任务从节点局部和全局连接建模的角度以自监督的方式将时间移位嵌入与时间一致性嵌入分离，进一步增强可解释图表示的学习并提高各种下游任务的性能。在链接预测、边缘分类和节点分类任务上进行的大量实验表明，STDGL 成功学习了解开的时间偏移和一致性表示。此外，结果表明，我们的 STDGL 比最先进的方法有显著的改进，并且由于解开的节点表示而具有吸引人的可解释性和可迁移性。
遥感监测土壤和植被中的重金属和准金属：综述
摘要：重金属污染土壤和植被因其毒性和持久性而成为一个重大问题。对植被的毒性作用不仅包括生长受损、产量降低甚至植物死亡，还包括生物多样性丧失和生态系统退化。解决这一问题需要全面的监测和补救措施，以减轻对环境、人类健康和生态的影响。本综述探讨了用于检测和监测土壤重金属污染及其对植被的后续影响的遥感应用的最新方法和进展。通过综合当前的研究成果和技术发展，本综述深入了解了遥感监测陆地生态系统重金属污染的有效性和潜力。然而，目前的研究主要集中在回归和人工智能方法上，将光谱反射率和指数与重金属浓度联系起来，这对其他区域、时间、光谱离散化和重金属元素的可移植性有限。我们得出结论，一个重要的前进方向是更彻底地了解和模拟土壤和植物中相关的物理化学过程及其对光谱特征的影响。这将为针对个别情况的遥感应用提供深厚的基础，并允许将重金属效应与干旱或土壤盐度等其他压力因素区分开来。
情况说明书：拜登-哈里斯政府继续为黑人家庭、企业和社区提供经济机会
财政部目前正在实施《通货膨胀削减法案》（IRA），该法案不仅加速了我国应对气候变化的能力，还在我们向清洁能源经济转型的过程中为美国创造了就业机会和小企业机会，允许医疗保险首次为老年人协商药品价格，并提供急需的资金来改造国税局，使其更好地服务纳税人并收取政府工作所需的收入。IRA 还包括选择性薪酬和可转移性等新机制，帮助投资不足的社区利用清洁能源税收优惠，包括发电的主要投资和生产税收抵免以及清洁汽车和充电站的税收抵免。它还包括低收入社区奖励抵免计划和能源社区奖励等激励措施，以投资于服务不足的社区和一直处于化石燃料生产前沿或首当其冲受到历史污染影响的社区。最后，除了早先宣布将在即将到来的 2024 年报税季进一步改善纳税人服务之外，美国国税局还集中 IRA 资源加强执法力度，追查那些不缴纳欠税的复杂合伙企业、大公司以及高收入、高财富个人。
ICLR2025关于机器人学习生成模型的研讨会提案（GenBot）
下一代机器人应结合其他领域的想法，例如计算机视觉，自然语言处理，机器学习和许多其他领域，因为封闭环境需要在复杂的真实环境中基于多模式输入来处理复杂的任务。这个研讨会的计划着重于机器人学习的生成模型，该模型在于AI和机器人技术的重要和基本领域。基于学习的机器人技术方法已在各种任务中实现了高成功率和概括能力，例如操纵，导航，大满贯，场景重建，原则和物理建模。但是，机器人学习面临着几个挑战，包括数据收集的昂贵成本以及在不同任务和方案中的可转移性较弱。受到计算机视觉和自然语言处理的重大进展的启发，已经努力将生成模型与机器人学习结合在一起，以应对上述挑战，例如综合高质量数据，并将生成框架纳入表示和政策学习。此外，预先训练的大型语言模型（LLM），视觉语言模型（VLM）和视觉语言 - 行动（VLA）模型适用于各种下游任务，以充分利用丰富的常识知识。这种渐进发展使机器人学习框架可以应用于复杂而多样化的现实世界任务。
DrugOrchestra：通过深度多任务学习联合预测药物反应、目标和副作用
大量积累的药物基因组学、化学基因组学和副作用数据集为药物反应预测、药物靶标识别和药物副作用预测提供了前所未有的机会。现有的计算方法将其范围限制在这三个任务中的一项，不可避免地忽略了它们之间的丰富联系。在这里，我们提出了 DrugOrchestra，这是一个深度多任务学习框架，可以联合预测药物反应、靶标和副作用。DrugOrchestra 利用预先训练的基于分子结构的药物表征来连接这三个任务。DrugOrchestra 不是直接对单个任务进行微调，而是使用深度多任务学习通过同时对药物反应、靶标和副作用预测进行微调来获得基于表型的药物表征。通过将这三个任务结合在一起，DrugOrchestra 能够仅通过了解其分子结构来预测看不见的药物。我们通过整合三个任务中的 8 个数据集，构建了一个包含超过 21,000 种药物的异构药物发现数据集。与在单个任务或单个数据集上训练的方法相比，我们的方法获得了显着的改进。我们进一步揭示了 8 个数据集和 3 个任务之间的可迁移性，为理解药物机制提供了新的见解。关键词：多任务学习、药物靶标预测、药物副作用预测、药物反应预测可用性：https://github.com/jiangdada1221/DrugOrchestra
社论：神经发育和神经退行性疾病中的计算建模和机器学习方法：从基础研究到临床应用
计算模型和机器学习方法对于理解大脑神经网络如何处理信息以及这些信息如何影响决策和行为越来越有价值。这些网络的异常与各种脑部疾病有关。大脑模拟、机器学习和神经成像方面的进步有助于弥合不同的大脑尺度，揭示神经发育和神经退行性疾病中认知、运动和行为障碍的潜在过程。计算方法的有效应用仍然面临若干挑战，包括：涉及多个空间尺度；机器学习模型的可解释性问题，阻碍了其向临床实践的可转移性；以及缺乏对神经疾病非侵入性生物标志物的可靠验证。这些挑战促使我们编辑了研究主题“神经发育和神经退行性疾病中的计算建模和机器学习方法：从基础研究到临床应用”，最终接受了 10 篇富有洞察力的论文，这些论文使用各种创新工具从不同角度探索了该主题。这些贡献涵盖了各种主题，包括疾病诊断（Ruppert-Junk 等人、Turrisi 等人、Fernández-Ruiz 等人）、疾病亚型或阶段分类（Chen 等人、Zheng 等人）、疾病进展预测因素（Zhang 等人）、脑网络模拟（Monteverdi 等人、Moore 等人）、病变分割（Zaman 等人）和医学中的聚类方法（Poulakis 和 Westman）。深度学习是
通过可解释的机器学习和第一原理计算揭示的金属催化剂的结构灵敏度
摘要：主动位点及其结构敏感性的性质是有效催化剂理性设计的关键，但在异质催化中已经进行了近一个世纪的辩论。尽管Brønsted -evans -polanyi（BEP）以及线性缩放关系长期以来一直用于研究这种关系中的反应性，明确的几何形状和组成特性，这一事实阻止了其在支持催化剂的结构敏感性中的探索。在这项工作中，基于可解释的多任务符号回归和全面的第一原理数据集，我们发现了一个结构描述符，拓扑不足的数量由价电子数量和晶格常数介导，以成功地解决金属催化剂的结构敏感性。用于训练，测试和可传递性研究的数据库包括10种过渡金属，两个金属晶体学阶段和17个不同方面的20种不同化学键的破坏键屏障。所得的2D描述符组成结构项，反应能量项显示出非常准确的准确性，可以预测与对称性，键顺序和空间阻滞中不同化学键的数据集的反应障碍和概括性。理论是物理和简洁的，提供了一种建设性的策略，不仅是为了理解结构敏感性，而且还可以破译金属催化剂的纠缠几何和电子效应。所揭示的见解对于位点特异性金属催化剂的合理设计很有价值。■简介
TD-Zero：使用零拍学习
摘要 - 供应链漏洞为攻击者提供了将硬件木马植入系统 - 芯片（SOC）设计的机会。虽然基于机器学习（ML）的特洛伊木马检测是有希望的，但它具有三个实际局限性：（i）可能无法获得黄金模型，（ii）缺乏人类专业知识来选择Trojan特征，并且（iii）有限的可传递性可能会导致在新的基准标准中无法获得未观察的Trojans的新基准标准。虽然基于转移学习的最新方法解决了其中一些问题，但仍需要重新训练以使用特定于域特异性（例如，硬件特洛伊木马功能）知识对模型进行微调。在本文中，我们提出了一个利用零射击学习来应对上述挑战的特洛伊木马检测框架。所提出的框架采用了自我监督学习的概念，其中利用预训练的图形卷积网络（GCN）来提取有关硬件Trojans的下划线常识，而指标学习任务用于衡量测试输入和恶意样本之间的相似性来进行分类。广泛的实验评估表明，与最先进的技术相比，我们的方法具有四个主要优势：（i）在特洛伊木马检测过程中不需要任何黄金模型，（ii）可以处理未知的特洛伊木马和未见的基准测试，而不会更改网络的任何变化，（iii）培训时间和（iv）的估计效率的显着提高（iv）的均值提高效率显着（iv）的均值（10.5％）（10.5％）5％（10.5％）。5％（10.5％）。
仔细观察gan先验：利用中级特征来增强模型反转攻击
摘要。模型反转（MI）攻击旨在通过利用输出信息来重建来自发布模型的隐私敏感培训数据，从而引起了人们对深神经网络（DNNS）安全性的广泛关注。最新的生成对抗网络（GAN）的进步已大大贡献了MI攻击的性能，因为它们具有具有高忠诚度和适当语义的逼真的图像的强大能力。但是，以前的MI攻击仅在Gan Pri-Ors的潜在空间中披露了私人信息，从而限制了它们在多个目标模型和数据集中的语义提取和可传递性。为了应对这一挑战，我们提出了一种新颖的方法，可以增强饮食，增强了g势元（IF-GMI），该方法分解了GAN结构并利用了中间块之间的特征。这使我们可以将优化空间从潜在代码扩展到具有增强表达能力的中间功能。为了防止gan先验产生不切实际的图像，我们将L 1球约束应用于优化过程。对多个基准测试的实验表明，我们的方法在各种设置下，尤其是在分布外（OOD）方案下显着执行先前的方法并实现最新结果。我们的代码可用：https：//github.com/final-solution/if-gmi