XiaoMi-AI文件搜索系统
World File Search System目标模型
强化学习可以解锁大型语言模型中的隐藏危险吗？
大型语言模型（LLMS）在自然语言任务中表现出了令人印象深刻的能力，但是由于他们在互联网文本中的培训，它们的安全性和道德仍然有争议。为了解决这些问题，已撤消对齐技术，以提高LLM的公共可用性和安全性。然而，通过这些模型产生有害内容的潜力似乎仍然存在。本文探讨了越狱LLM的概念 - 通过对抗触发器来避免其对齐。预先使用的方法，例如软嵌入提示，手动制作的提示和基于梯度的自动提示，由于其对模型访问的要求以及生产低的手动制作提示，使其在黑盒模型上取得了有限的成功，这使它们容易被阻止。本文使用强化学习引入了一种新颖的方法，以优化副词触发器，仅需要推理API访问目标模型和小型替代模型。我们的方法利用了基于Bertscore的奖励功能，可以增强对抗性触发器在新的黑盒模型上的可传递性和有效性。我们证明，这种方法改善了以前未经测试的语言模型的对抗触发器的性能。
活动悬崖估计的半监督分子学习框架
机器学习（ML）实现了准确，快速的分子性能预测，这与药物发现和材料设计有关。假设相似的分子表现出紧密的特性，他们的成功基于其心脏相似性的原理。然而，活动悬崖挑战了这一原理，它们的存在导致了现有ML算法的性能，尤其是基于图的方法的急剧解脱。为了克服低数据表情况下的这一障碍，我们提出了一种新型的半监督学习（SSL）方法，称为Semimol，该方法对众多未注释的数据进行了预测，作为伪信号，以进行后续训练。具体来说，我们引入了一个附加的讲师模型来评估代理标签的准确性和可信度，因为存在伪标记的方法需要概率输出以揭示模型的置信度并且无法应用于回归任务。此外，我们设计了一个自适应课程学习al-gorithm，以逐步移动目标模型以可控的速度进行硬性样本。在30个活动悬崖数据集上进行的广泛实验表明，Semimol显着增强了基于图形的ML架构，并超过了最先进的预处理和SSL基准。
考虑可靠性改进难度、关键性和子系统依赖性，开发光电系统可靠性分配的经济模型
摘要 各行业光电设备的特性以及降低成本的目标追求要求光电系统具有高可靠性。在这方面，可以通过可靠性分配问题来解决可靠性改进。必须提高子系统的可靠性，以确保符合设计人员的意见，满足要求以及定义的必要功能。本研究试图通过最大化系统可靠性和最小化成本来开发一个多目标模型，以研究设计阶段成本以及生产阶段成本。为了研究设计阶段可靠性改进的可行性，使用系统中有效的可行性因素，并将 sigma 水平指数纳入生产阶段作为可靠性改进难度因素。因此，考虑了子系统可靠性改进的优先级。通过设计结构矩阵研究子系统依赖程度，并将其与修正的关键性一起纳入模型的局限性中。通过目标规划将主模型转化为单目标模型。该模型在光电系统上实现，并对结果进行了分析。在该方法中，可靠性分配分为两个步骤。首先，根据分配权重确定子系统的可靠性范围。然后，根据子系统可靠性改进的成本和优先级启动改进。
一项关于软件材料法案的实证研究：我们站在哪里和前方的道路
摘要 - 软件供应链攻击的快速增长引起了人们对软件材料清单（SBOM）的极大关注。SBOM是一个至关重要的构建基础，可确保软件供应链的换算，以帮助改善软件供应链安全性。尽管学术界和行业正在为促进SBOM发展做出重大努力，但仍不清楚从业者如何看待SBOMS以及在实践中采用SBOM的挑战是什么。此外，现有的与SBOM相关的研究往往是临时的，并且缺乏软件工程的重点。为了弥合这一差距，我们进行了第一项经验研究，以访谈和调查SBOM从业人员。我们采用了一种混合定性和定量方法来收集17名受访者和来自五大洲15个国家的65名受访者的数据，以了解从业者如何看待SBOMFILD。我们总结了26项陈述，并将其分为SBOM实践状态的三个主题。根据研究结果，我们得出了一个目标模型，并强调了未来的指示，从业者可以努力。索引条款 - 软件材料清单，SBOM，法案，负责人AI，经验研究
通过低级目标分解对军事C2系统的概念模型的改进
摘要本文在设计科学研究（DSR）框架之后有助于正在进行的研究项目。该项目着重于建立一个概念框架，该概念框架通过模型和方法支持设计师和军事指挥官，旨在增强对军事指挥和控制系统（C2-Systems）的理解和评估。军事C2系统越来越依赖新兴技术，这突出了指导集成和发展的概念框架的需求。在本文中，我们提出了一种方法来完善目标模型，特别是在C2系统中的低级目标。总体目标是验证和完善现有的概念模型，尤其是与开发方面有关的概念模型。我们对低级目标进行结构化分析，以确定所设想框架的方法组件。通过建立这些连接，本文旨在研究现有方法和潜在方法差距的适用性。应在低级目标与以概念模型的形式概述的方法组件之间出现任何断开连接，这是对开发新方法组件的发展的倡导者。这些发现有助于对增强C2系统设计和实施策略的实用见解。文章Herby展示了4EM方法在理解和完善概念模型中的适用性。
使用全球变暖的热带自由聚层温度梯度削弱
摘要：由于赤道附近消失的科里奥利力导致热带自由对流层中的弱温度梯度导致整个热带的强大动力耦合。使用理论和一组目标模型实验，我们表明弱温度梯度在全球变暖下进一步削弱了。我们表明，温度梯度是由循环强度设定的，较弱的循环量与较弱的梯度有关。因此，大气辐射冷却和静态稳定性之间的已知缩放差异导致变暖下的循环速度的放缓也导致热带自由对流层中温度梯度的减弱。表现出弱循环对温度梯度削弱的影响在蒙面CO 2强迫和厄尔尼诺现象的影响上占主导地位，例如模型投影中的热带酸性变暖模式。结果的关键是非线性区域动量对流项。使用众所周知的Matsuno - Gill模型具有正确的加热和静态稳定性尺度的尺度，可以给出温度梯度中响应的正确符号，但由于该模型的线性动量阻尼，因此尺度不准确。温度的稳健缩放量表在社会相关性问题上开辟了理论上进步的可能性，从热带云的变化到气候变化下的热应激。
间隔在高峰需求管理下基于氢存储的电动汽车的智能停车场的多目标优化
不确定性，对电力系统运营商的一个熟悉的概念已成为电力系统行业的重要主题之一。这种情况主要是由于某些参数（例如价格）的不确定行为引起的。由于预测技术通常无法保证此类参数的固定和准确值，因此不确定性建模变得必不可少。这项工作已应用基于间隔的选择模型，用于在需求响应计划（DRP）严重不确定性中的智能停车场（IPL）（IPL）的最佳性能（IPL）。实际上，DRP用于使IPL通过将负载需求的某些部分从高峰时间间隔转移到p -peak -peak时间间隔来降低其日常运行成本。应该提到的是，间隔方法不能解决单个目标问题，而不是它产生了多目标优化问题，在该问题中，将平均值和偏差成本最小化为双目标模型。为此，使用加权和模糊的方法来解决双向目标。通过上述技术的不确定性研究了一个包含IPL，局部可调节生成（LDG）单元，不可再生和可再生生成系统的样本系统，并研究了所采用技术的效率的结果，以进行比较。根据比较结果，在DRP下，IPL的平均成本降低了4.37％，而代表不确定性影响的偏差成本也降低了10.93％。
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
材料方向性对机械响应的作用...
本文旨在了解定向材料特性对折纸结构机械响应的作用。我们将 Miura-Ori 结构视为目标模型，因为它们具有可折叠性和负泊松比 (NPR) 效应，广泛应用于减震器、灾难庇护所、航空航天应用等。传统的 Miura-Ori 结构由各向同性材料（铝、丙烯酸）制成，其刚度和 NPR 等机械特性已为人们所熟知。然而，这些响应如何受到碳纤维增强聚合物 (CFRP) 复合材料等定向材料的影响，需要更深入了解。为此，我们研究了 CFRP 复合材料中的纤维方向和排列以及 Miura-Ori 的几何参数如何控制此类结构的刚度和 NPR。通过有限元分析，我们表明，与铝等各向同性材料制成的 Miura-Ori 结构相比，由 CFRP 复合材料制成的 Miura-Ori 结构可以实现更高的刚度和泊松比值。然后通过回归分析，我们建立了不同几何参数与相应机械响应之间的关系，并进一步利用该关系发现 Miura-Ori 结构的最佳形状。我们还表明，在 Miura-Ori 结构中的各个复合材料特性中，剪切模量是控制上述机械响应的主要参数。我们证明，我们可以通过找到几何和材料参数来优化 Miura-Ori 结构，从而产生最刚度和最可压缩的结构。我们期望我们的研究成为设计和优化更复杂的折纸结构的起点，其中结合了复合材料。
通过跨数据集迁移学习增强脑电信号通路中的病理检测
基于脑电信号和解码大脑活动的病理诊断对于理解神经系统疾病具有重要意义。随着人工智能方法和机器学习技术的进步，准确的数据驱动诊断和有效治疗的潜力显着增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上提出了不同的挑战。标记数据的稀缺性，特别是在低水平场景中，由于招募成本高，真实患者队列的可用性有限，凸显了扩展和迁移学习技术的重要性。在本研究中，我们探索了一个现实世界的病理分类任务，以突出数据和模型扩展以及跨数据集知识转移的有效性。因此，我们观察到通过数据扩展可以获得不同的性能改进，这表明需要仔细评估和标记。此外，我们确定了可能的负转移挑战，并强调了一些关键成分对克服分布偏移和潜在的虚假相关性并实现正转移的重要性。当可用的标记数据量较少时，通过使用源数据集 (TUAB) 中的知识，我们发现目标模型在目标 (NMT) 数据集上的性能有所提高。我们的研究结果表明，小型通用模型（例如 ShallowNet）在单个数据集上表现良好，而大型模型（例如 TCN）在从大型多样化数据集进行迁移和学习方面表现更好。