XiaoMi-AI文件搜索系统
World File Search Systemadversarial
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
新的AI防御方法屏蔽了对抗攻击的模型
“对AI系统的对抗性攻击可以采取微小的，几乎是看不见的调整来输入图像，这可以将模型引导到攻击者想要的结果的微妙修改。“这样的脆弱性使恶意行为者能够以真实产出为幌子以欺骗性或有害内容泛滥数字渠道，从而对AI驱动技术的信任和可靠性构成直接威胁。”
多语言仇恨语音检测：半监督的生成对抗方法
摘要：社交媒体平台已经超过了文化和语言界限，因此在全球范围内实现了1个在线通信。但是，各种语言的扩展使用加剧了2在线检测仇恨言论内容的挑战。尽管发布了多种天然3语言处理（NLP）解决方案，该解决方案实施了尖端的机器学习技术，但数据的4个稀缺性，尤其是标记的数据，仍然是一个相当大的障碍，这进一步需要5使用半佩顿的方法以及生成的人工智能（Generative AI）6技术。本文介绍了一种创新的方法，这是一种多语种半佩斯特的模型7，将生成对抗网络（GAN）和审计的语言模型（PLMS）组合在一起，更多8个精确的Mbert和XLM-Roberta。我们的方法证明了它在仇恨9语言和以印度语言（用英语，德语和印度语中）的仇恨检测中的有效性，当时只有10个仅采用20％的Hesoc2019数据集中的20％注释数据，从而在每种多种语言，零刺激的杂种式跨语言和单声道培训场景中都表现出11个高表现。12我们的研究提供了一个强大的基于MBERT的半纯GAN模型（SS-GAN-MBERT），该模型的表现优于基于XLM-ROBERTA的模型（SS-GAN-XLM），并达到平均F1得分14增长9.23％，准确率提高了9.23％，而准确性增加了5.75％的SemiSuline SemiSupersupervers Mbert模型。15
使用生成对抗神经网络对多发性硬化症患者大脑结构连接进行数据增强
背景和目标：机器学习框架已经展示了其在处理复杂数据结构方面的潜力，并在包括脑成像在内的许多领域取得了显著成果。然而，训练这些模型需要大量的数据。这在生物医学领域尤其具有挑战性，因为由于获取的可及性、成本和病理相关的多变性，可用的数据集有限且通常不平衡。为了克服这一挑战，可以使用生成模型来生成新数据。方法：在本研究中，提出了一个基于生成对抗网络的框架来创建多发性硬化症 (MS) 中的合成结构脑网络。该数据集包括 29 名复发缓解型和 19 名继发进展型 MS 患者。使用 T1 和扩散张量成像 (DTI) 采集来获取每个受试者的结构脑网络。对新生成的脑网络质量的评估是通过 (i) 分析其结构特性和 (ii) 研究它们对分类性能的影响来执行的。结果：我们证明了高级生成模型可以直接应用于结构脑网络。我们从数量和质量上表明，新生成的数据与真实数据相比没有显著差异。此外，使用生成的样本扩充现有数据集可提高分类性能（ 퐹 1 푠푐표푟푒 81%），而基线方法（ 퐹 1 푠푐표푟푒 66%）则没有。结论：当需要基于连接组的数据增强时，我们的方法为生物医学应用定义了一种新工具，为通常的基于图像的数据增强技术提供了一种有效的替代方案。
具有对比和域的逆向学习
先进的高维测定技术，例如转录组学和表观基因组学32分析，在分子级生物学研究中提供了显着的深度和广度1。尽管有33项优势，这些技术通常只专注于特定的分子变化，34缺乏在细胞状态下观察变化的能力，涉及许多35个复杂和未知过程。为了在细胞系统水平上获取信息，已经开发出高36个吞吐量成像技术，以通过对染色的细胞成像2-4来产生细胞37表型的有用曲线。但是，这些基于图像的技术也有38个局限性，因为它们通常集中在具有已知关联或39个假设的生物过程上，从而限制了现有知识5中的发现5。此外，包括高维测定和基于图像的技术在内的传统40种方法通常受到其复杂性和高成本的约束。为了克服这些问题，已提出该技术称为细胞绘画（CP），已被提议作为解决方案。具体而言，CP技术43涉及染色八个细胞成分，具有六种非常便宜且易于染料的六个细胞成分，并在荧光显微镜6上五个通道中成像，这很易于操作，45
基于预先训练的DeNoising扩散模型
深神经网络（DNNS）在许多AI地球观察应用中（AI4EO）中作为关键解决方案的突出性（AI4EO）上升。然而，它们对对抗例子的敏感性构成了一个关键的挑战，损害了AI4EO算法的可靠性。本文在遥感图像（UAD-RS）中提出了一种新型的通用对抗防御方法，利用预训练的扩散模型来保护DNN免受表现出异质对抗模式的各种对抗性示例。具体而言，使用预训练的扩散模型开发了通用的对抗纯化框架，通过引入高斯噪声以及随后从对抗性示例中对扰动的纯化来减轻对抗的扰动。此外，还引入了自适应噪声水平选择（ANL）机制，以确定具有任务指导的Fréchet成立距离（FID）排名策略的纯化框架的最佳噪声水平，从而提高了纯化性能。因此，仅需要一个预训练的扩散模型来净化每个数据集的各种对抗性示例，这些示例具有异质性的对抗模式，从而大大降低了多个攻击设置的训练工作，同时在没有对抗扰动的情况下保持高性能。对四个异质RS数据集进行的实验结果，重点是场景分类和语义分割，表明UAD-RS的表现优于最先进的对抗性纯化方法，从而为七个常见的遇到的对抗性扰动提供了普遍的防御。com/ericyu97/uad-rs）。代码和预训练的模型可在线获得（https：//github。
dcg-gan：具有生成对抗网络的设计概念生成
抽象生成的对抗网络（GAN）最近被提议是一种潜在的破坏生成设计方法，因为它们具有出色的视觉吸引力和现实样本的能力。然而，我们表明当前的生成器二歧视架构固有地限制了gans作为设计概念生成（DCG）工具的能力。具体来说，我们基于GAN架构对大规模数据集进行了DCG研究，以促进对这些生成模型的性能的理解，以生成新颖和多样化的样本。我们的发现源自一系列的综合和客观评估，表明，尽管传统的gan架构可以生成逼真的样本，但生成的样本和时尚混合的样本非常类似于训练数据集，表现出明显较低的创造力。我们提出了一种使用GAN（DCG-GAN）的DCG的新通用体系，该架构使基于GAN的生成过程能够以几何条件和标准（例如新颖性，多样性和可取性）为指导。我们通过严格的定量评估程序和涉及89名参与者的广泛定性评估来验证DCG-GAN模型的性能。我们通过为工程设计社区提供了几个未来的研究方向和见解，以实现DCG的甘斯潜力尚未开发的潜力。
皮肤：多任务循环生成的对抗网络，用于无监督的自动细胞识别，这是在体内反射率的共聚焦显微镜上i
方法：在RCM图像上自动定位的表皮细胞（称为角质形成细胞）进行了两次尝试：第一个基于旋转符号误差函数掩码，第二个基于细胞形态特征。在这里，我们提出了一个双任务网络，以自动识别RCM图像上的角质形成细胞。每个任务都由一个周期生成的对抗网络组成。第一个任务旨在将真实的RCM图像转换为二进制图像，从而学习RCM图像的噪声和纹理模型，而第二个任务将Gabor滤波的RCM图像映射到二进制图像中，学习在RCM图像上可见的表皮结构。这两个任务的组合允许一个任务限制另一个任务的解决方案空间，从而改善了总体结果。我们通过应用预先训练的Stardist算法来检测恒星凸形形状，从而完善细胞识别，从而关闭任何不完整的膜并分离相邻的细胞。
在时间图上的异常检测，以抑制多代理强化学习中对抗性通信
多代理增强学习（MARL）系统中的对抗沟通可能会对其性能产生重大的负面影响。这可能导致系统的次级优势，这是由于不正确或误导性信息引起的决策不良。以前的消除或减少对抗性交流的方法表明，在特定情况下，多代理通信的空间特征可用于检测。但是，它们的有效性是有限的，并且没有很好的文档，尤其是在复杂的场景和针对具有国防策略知识的恶意代理商中。此外，尽管许多先前的作品都集中在代理到代理交流的规范上，但其时间的性质和特征已在很大程度上被忽略了。在这项工作中，我们基于在时间图上的异常检测技术来测试许多不同的假设，以检测MARL系统中对抗性通信的检测和抑制。此外，我们提出了一种新颖的方法，并系统地评估了其在两个复杂的合作场景上使用各种不同的对手剂的有效性。最后，我们开发了一个框架，用于通过对抗性通信进行MARL实验，该实验可以为设计一致且可重现的实验提供统一的方法。
rnagen：一种基于生成对抗网络的模型，可生成靶蛋白的合成RNA序列
摘要。RNA-蛋白结合在调节蛋白质活性中通过影响定位和稳定性起着重要作用。 虽然蛋白质通常是通过小分子或其他蛋白质靶向的，但易于设计和合成小的RNA是一个相当尚未开发和有希望的场所。 问题是缺乏产生与某些蛋白质可能结合的RNA分子的方法。 在此，我们提出了一种基于生成对抗网络（GAN）的方法，该方法学会生成具有天然RNA样性能（例如二级结构和自由能）的短RNA序列。 使用优化技术，我们对这些序列进行微调以使它们与靶蛋白结合。 我们使用文献中的RNA-蛋白结合预测模型来指导模型。 我们表明，即使没有针对靶蛋白的专门训练的可用指南模型，我们也可以使用针对相似蛋白质的模型，例如来自同一家族的蛋白质，可以成功地生成与靶蛋白的结合RNA分子。 使用这种方法，我们使用了针对其相对的模型（SOX10，SOX14和SOX8）量身定制的PIRNA，并量身定制为SOX2蛋白结合，并在体外实验验证了我们生成的Top-2分子我们生成的Top-2分子特异性结合了SOX2。RNA-蛋白结合在调节蛋白质活性中通过影响定位和稳定性起着重要作用。虽然蛋白质通常是通过小分子或其他蛋白质靶向的，但易于设计和合成小的RNA是一个相当尚未开发和有希望的场所。问题是缺乏产生与某些蛋白质可能结合的RNA分子的方法。在此，我们提出了一种基于生成对抗网络（GAN）的方法，该方法学会生成具有天然RNA样性能（例如二级结构和自由能）的短RNA序列。使用优化技术，我们对这些序列进行微调以使它们与靶蛋白结合。我们使用文献中的RNA-蛋白结合预测模型来指导模型。我们表明，即使没有针对靶蛋白的专门训练的可用指南模型，我们也可以使用针对相似蛋白质的模型，例如来自同一家族的蛋白质，可以成功地生成与靶蛋白的结合RNA分子。使用这种方法，我们使用了针对其相对的模型（SOX10，SOX14和SOX8）量身定制的PIRNA，并量身定制为SOX2蛋白结合，并在体外实验验证了我们生成的Top-2分子我们生成的Top-2分子特异性结合了SOX2。