XiaoMi-AI文件搜索系统
World File Search System模型生成
状态模型生成AI（Genai）特殊规定1。定义。出于这些Genai的特殊规定，以下条款应为g
（a）国家有权使用国家数据提供的承包商提供的Genai培训数据，其中可能包括非公开数据。国家应保留州数据使用中的所有所有权和知识产权，以增强Genai培训数据。（b）承包商有权检查提出的任何公共数据以增加Genai培训数据，例如通过请求访问，副本或数据报告，以验证其遵守合同条款和条件。3。genai的其他安全要求：除了一般规定的第13、21和22条外，承包商应允许国家合理访问Genai安全日志，延迟统计数据以及其他影响该合同和生成数据的相关Genai安全数据，无需支付国家。4。数据和提示的机密性：承包商应防止未经授权的使用和披露承包商根据本合同开发的任何提示，以及此类提示产生的任何生成的数据。5。提示和生成内容中的权利：
基因组编辑的进展及其在转基因大鼠模型生成中的应用
大鼠被广泛用作小动物模型。过去二十年出现了许多基因工程大鼠模型，近年来基因特异性核酸酶的出现加速了它们的产生。本综述涵盖了用于产生基因工程大鼠品系的技术和进展，以及它们在更广泛地开发大鼠模型中的应用，例如条件性敲除和报告基因品系。此外，还讨论了尚待在大鼠中探索的基因组编辑技术。本综述还特别关注了已经进行了大量研究的两个领域：人类遗传疾病和免疫系统分析。在这两个领域中对模型进行了详细描述，并强调了大鼠模型相对于现有的相应小鼠模型的竞争优势。本综述的目的是全面描述大鼠模型在解决特定科学问题方面的优势和潜力，并描述用于开发新项目的最佳基因组工程工具。
对3D模型生成器的文本调查
摘要 - 此调查研究了在生成3D模型中使用稳定的扩散模型的使用，重点介绍了如何将文本提示转换为3D表示形式。主要目标是探索如何使用文本描述生成的2D图像序列来创建3D点云，这是完全实现的3D对象的基础。调查还检查了通过基于Python的技术实现的微调过程，该过程允许改进模型的形状，纹理和其他属性，从而为用户提供了自定义最终输出的能力。这项研究的一个关键方面是了解与传统方法相比，这种方法如何简化3D模型的创建，该方法通常需要专业的软件和广泛的技术专长。通过使用户能够输入文本说明并自动生成3D模型，该技术可降低没有高级3D建模技巧的个人的进入障碍。调查阐明了该过程的优势，例如通过微调易于自定义，这使用户可以更好地控制模型的外观。此外，调查评估了这种方法在支持各种应用方面的灵活性。以不同格式导出模型的能力允许集成到各种领域，包括游戏开发，虚拟现实，3D打印和建筑可视化。最终，这项调查旨在评估AI驱动的3D建模如何使设计过程民主化，从而赋予更广泛的受众创建复杂而详细的3D对象。
GraphMaker：可以扩散模型生成
具有节点属性的大规模图在各种现实世界应用中越来越普遍。创建镜像现实世界示例的合成，富含属性的图至关重要，尤其是在限制始终数据时共享分析和开发学习模型的图形数据。传统的图生成方法的处理能力有限，无法处理这些复杂的结构。扩散模型的最新进展显示出在没有属性和较小分子图的生成图形结构方面的潜力。但是，由于复杂的属性结构相关性和这些图的大尺寸，这些模型在生成大型属性图时面临挑战。本文介绍了一种新颖的扩散模型，GraphMaker，专为生成大型归因图而设计。我们探索了节点属性和图形结构生成过程的各种组合，发现异步方法更有效地捕获了复杂的属性结构相关性。我们还通过边缘迷你批次生成解决可扩展性问题。为了证明我们在图形数据传播中的实用性，我们引入了新的评估管道。评估表明，GraphMaker生成的合成图可用于为在原始图上定义的任务开发竞争图形学习模型，而无需实际访问这些图形，而许多领先的图形生成方法在此评估中缺乏。我们的实施可在https://github.com/graph-com/graphmaker上获得。
使用Norta模型生成洪水场景
已经开发了几种随机编程模型，用于关键基础设施对极端洪水事件的弹性决策。生成此类模型的洪水场景需要在复杂的计算基础架构上运行高级洪水模型（例如，不同的飓风强度水平，轨道等。），这可能并不总是实用。为了解决这个问题，在这项研究中，我们提出了一种基于正常的（Norta）基于模型的洪水场景生成方案，该方案需要更少的计算资源。我们使用所提出的方法生成的场景可以保留感兴趣的位置的洪水高度的相关性，在我们的情况下，电力传输网格的变电站位置。我们使用案例研究证明了方法的疗效，该案例使用合成功率网格与实际的得克萨斯州电网具有统计相似之处，以及由国家大气和海洋管理局开发的洪水图，代表了德克萨斯州的暴风雨风险。
advdiff：使用扩散模型生成不受限制的对抗示例-Dai Xuelong，Liang Kaisheng，Xiao bin
•不受限制的对抗攻击旨在使用生成模型生成自然的对抗示例。•先前的攻击直接将类似PGD的梯度注入生成模型的采样，从而损害发电质量。
advdiff：使用扩散模型生成不受限制的对抗示例
摘要。不受限制的对抗攻击对深度学习模型和对抗性防御技术构成了严重威胁。它们为深度学习应用带来了安全问题，因为它们可以有效地绕过防御机制。然而，以前的攻击通常直接直接将投影梯度下降（PGD）梯度注入生成模型的采样中，这些模型并非理论上是可以预见的，因此通过合并对抗性目标，尤其是对于像ImageNet这样的大型数据集的基于GAN的方法，从而产生了不切实际的示例。在本文中，我们提出了一种称为Advdiff的新方法，以生成具有扩散模型的不受限制的对抗示例。我们设计了两种新型的对抗引导技术，以在扩散模型的反向生成过程中进行对抗采样。这两种技术通过解释的目标分类器的梯度来产生高质量的对抗性示例，在产生高质量的对抗性示例中是有效且稳定的。对MNIST和IMAGENET数据集的实验结果表明，Advdiff在产生无限制的对抗示例方面有效，在攻击性能和发电质量方面，其表现优于最先进的不受限制的对抗攻击方法。
我们可以信任大型语言模型生成的代码吗？跨不同LLMS
大型语言模型（LLM），例如Chatgpt和Github Copilot，已彻底改变了软件工程中的自动代码。但是，由于这些模型被越来越多地用于软件开发，因此对生成代码的安全性和质量引起了人们的关注。这些问题源于LLMS主要是对公开可用的代码存储库和基于Internet的文本数据进行培训的，这可能包含不安全的代码。这给生成的代码中带来了永久性漏洞的重大风险，从而创造了潜在的攻击媒介，以造成恶意参与者的剥削。我们的研究旨在通过在代码生成过程中通过内置学习（ICL）模式引入安全行为学习的框架来解决这些问题，然后进行严格的安全评估。为了实现这一目标，我们选择了四个不同的LLM进行实验。我们已经在三种编程语言中评估了这些编码LLM，并确定了安全漏洞和代码气味。该代码是通过ICL生成的，具有策划的问题集，并经过严格的安全测试，以评估生成的代码的整体质量和可信度。我们的研究表明，ICL驱动的单发和少的学习模式可以增强代码安全性，从而减少各种编程场景中的漏洞。开发人员和研究人员应该知道，LLM对安全原则的理解有限。当生成的代码部署在生产系统中时，这可能会导致安全漏洞。在使用LLM进行代码生成时，请考虑这一点。我们的研究重点介绍了LLM是软件供应链的新漏洞的潜在来源。本研究文章提供了有关改善LLM安全性的见解，并鼓励主动将LLMS用于代码生成以确保软件系统安全。
使用变压器模型生成互补的仪器轨道
摘要机器学习资源的可访问性最近提高导致许多人探索音乐生成中的机器学习方法。一个机器学习的子领域，人们的受欢迎程度特别显着，是深度学习。但是，该场中的许多模型应用组合仍然未开发。在本文中，研究了序列变压器模型为现有仪器轨道生成互补仪器轨道的序列。该模型已实施和分析，以评估它是否能够生成与原始作品一起制造连贯音乐的乐器轨道。尽管生成的实现模型的结果不足以适合任何现实生活中的应用，但如果使用了更多资源并进行了更多的研究，则发现该模型对此类应用的可行性的指示。
如何跟踪潜在的生成模型生成的图像，而没有人工水印？
潜在的生成模型（例如，稳定的扩散）变得越来越流行，但是关于这些模型产生的图像的潜在滥用，出现了概念。因此，有必要通过推断特定的潜在生成模型来分析特定图像来分析图像的起源。大多数现有的方法（例如，图像水印和模型指纹打印）在训练或发电过程中需要额外的步骤。这些要求限制了它们在生成的图像上的使用情况，而无需此类操作，额外的操作可能会损害生成的图像的质量。在这项工作中，我们询问是否有可能有效，有效地追踪具有上述要求的特定潜在生成模型所产生的图像。为了研究此问题，我们设计了一种基于潜在反转的方法，称为L atent t Racer，以通过检查检查的图像是否可以使用倒置的潜在输入来构造了检查的图像，以追踪检查模型的固定图像。我们利用基于级别的潜在反转，并确定基于编码的初始化对我们方法的成功至关重要。我们对最先进的潜在生成模型（例如稳定的扩散）进行的实验表明，我们的方法可以以很高的精度和效率来区分被检查模型和其他IMEGES生成的图像。我们的发现表明，当今的潜在生成生成的图像自然是由源模型中使用的解码器自然水印的有趣可能性。代码：https：// github。com/zhentingwang/litenttracer。