XiaoMi-AI文件搜索系统
World File Search System稳健性
人工智能与不平等：
平等 16 表 3：ICT 强度与收入平等之间的长期差异结果 17 表 4：由于 AI 创新导致的按技能划分的就业份额变化 19 表 5：由于 ICT 创新导致的按技能划分的就业份额变化 20 表 6：由于 AI 强度导致的按技能划分的收入份额变化。22 表 7：ICT 创新导致的收入不平等变化 22 表 8：人工智能强度对建筑业的影响 23 表 9：ICT 创新对收入的稳健性 27 表 10：检验不包括美国的长差分回归的稳健性 28 表 11：低工会密度背景下按技能划分的就业份额变化 2 表 12：低工会密度背景下按技能划分的就业份额变化 2 表 13：低工会密度背景下按技能划分的就业份额变化 2
飞行和发动机控制的电动驱动
• 减轻重量——电动驱动允许飞机使用 3 个或 2 个电动和 2 个液压装置进行认证，而传统飞机需要 3 个电动和 3 个液压装置——由于增加了液压系统，电动驱动可以节省 A380 的重量约 1000 磅，F-35 的重量约 400 磅。通过取消液压系统节省的重量取决于飞机大小。• 提高性能和优化——无论是否使用液压动力进行驱动，液压泵/系统都会对发动机施加持续负载，而电动负载是按需/需要时才施加。——峰值非推进功率使用量减少 25%，燃料消耗减少 5%：2000 磅重量。 A340 的减排可节省 55 磅/小时的燃料，10 小时的飞行总共可节省 550 磅 • 提高了可维护性和生存能力/稳健性 – 由于液压系统的 MTBF 低~发动机驱动泵、压力密封和泄漏等，消除液压系统可显著提高可靠性。 – 驱动功率的有效隔离和独立性提供了稳健性
强化学习基于噪音的数据增强稳健语音情感识别
语音情感识别（SER）是任何人类机器相互作用的必不可少的组成部分，并启用构建善解人意的语音用户界面。在与基于语音的呼叫中心（基于语音的呼叫中心）一样，当一个人与机器或代理互动时，在嘈杂环境中准确识别情绪的能力在实践场景中很重要。在本文中，我们提出了基于加强学习（RL）的数据增强技术，以构建强大的SER系统。RL中使用的奖励函数启用选择性噪声分布在不同的频带上以进行数据增强。我们表明，所提出的基于RL的增强技术优于最近提出的基于随机选择的技术，用于噪声稳健的SER任务。我们将IEMOCAP数据集与四个情绪类别类别一起验证所提出的技术。更重要的是，我们在跨语料库和跨语言场景中测试SER系统的噪声稳健性。索引术语：语音情绪识别，稳健性，选择性数据增强，强化学习。
基于 VCIO 的 AI 可信度表征系统描述
表 T1 – 数据集文档 10 表 T2 – 关于人工智能系统运行的文档 11 表 T3 – 可理解性 12 表 T4 – 可访问性（相关机构之外） 14 表 A1 – 生命周期中确保问责的过程 17 表 A2 – 企业/机构责任（回顾性） 20 表 A3 – 负责任的人为监督 20 表 P1 – 数据处理流程 25 表 P2 – 个人数据保护（人工智能相关） 25 表 P3 – 用户和受影响人员的同意流程、信息和影响 27 表 F1 – 确保开发过程中的公平性 31 表 F2 – 工作和供应链条件 37 表 F3 – 生态可持续发展 38 表 R1 – 设计的稳健性和可靠性 42 表 R2 – 运行中的稳健性和可靠性 47 表 1 – 各级别的对应分数 48
通过图探索神经网络的鲁棒性...
深度研究深度人工神经网络（DANN）的体系结构以提高其预测性能。但是，探索了丹恩的架构与噪声和对抗性攻击之间的稳健性之间的关系。我们调查了丹尼斯的鲁棒性与它们的基础图架构或结构之间的关系。这项研究：（1）首先使用图理论鲁棒性测量探索Danns架构的设计空间； （2）将图形转换为DANN体系结构，以训练/验证/测试各种图像分类任务； （3）探讨了训练有素的丹尼斯针对噪声和对抗性攻击的鲁棒性与通过图理论测量估计的基础体系结构的鲁棒性之间的鲁棒性之间的关系。我们表明，底层图的拓扑熵和olivier-Ricci曲率可以量化DANN的稳健性性能。上述关系对于复杂的任务和大型丹恩来说更牢固。我们的工作将使汽车和神经架构搜索社区能够探索强大而准确的Danns的设计空间。
用于网络入侵检测的对抗性机器学习
一些研究论文研究了基于 ML 的 IDS 面对对抗性攻击的脆弱性，但其中大多数集中在基于深度学习的分类器上。与它们不同，本文更加关注浅层分类器，由于它们的成熟度和实现的简单性，它们仍然广泛用于基于 ML 的 IDS。更详细地，我们评估了 7 种基于浅层 ML 的 NIDS 的鲁棒性，包括 Adaboost、Bagging、梯度提升 (GB)、逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、支持向量分类器 (SVC) 以及深度学习网络，以抵御几种在最先进技术 (SOA) 中广泛使用的对抗性攻击。此外，我们应用高斯数据增强防御技术并测量其对提高分类器鲁棒性的贡献。我们使用 NSL-KDD 基准数据集 [5] 和 UNSW-NB 15 数据集 [50] 在不同的场景中进行了广泛的实验。结果表明，攻击对所有分类器的影响并不相同，分类器的稳健性取决于攻击，并且必须根据网络入侵检测场景考虑性能和稳健性之间的权衡。
使用深度学习从整个脉冲活动中稳健而准确地解码手部运动
稳健性和解码准确性仍然是皮层内脑机接口 (BMI) 系统临床转化的主要挑战。在这项工作中，我们展示了一种信号/解码器协同设计方法（在设计开发过程中利用输入信号和解码算法之间的协同作用）可用于实现稳健且准确的 BMI 解码性能。具体而言，通过应用此过程，我们提出将整个脉冲活动 (ESA) 用作输入信号，将基于准循环神经网络 (QRNN) 的深度学习用作解码算法。我们评估了 ESA 驱动的 QRNN 解码器从非人类灵长类动物初级运动皮层区域长期记录的神经信号解码手部运动学的性能。我们提出的方法在长期记录会话中始终比之前报告的任何其他方法都具有更高的解码性能。即使从原始信号中去除脉冲，其高解码性能也能维持。总体结果显示出极高的解码精度和长期稳健性，这是非常可取的，因为它是 BMI 中尚未解决的挑战。
2412.08694v1.pdf
量子密钥分发 (QKD) 提供了一种理论上安全的密钥共享方法，但实际实施面临长距离信道噪声和损失带来的挑战。传统的 QKD 协议需要大量的噪声补偿，这阻碍了其工业可扩展性并降低了可实现的密钥速率。替代协议在抗噪声状态下对逻辑量子位进行编码，但代价是使用许多物理量子位，增加了丢失的可能性并限制了传输距离。在这项工作中，我们引入了一种逻辑量子位编码，它在连续光子自由度、频率和时间中使用反对称贝尔态。通过利用连续空间，我们通过最小化每个逻辑量子位的光子数量来克服这种噪声损失稳健性权衡，同时优化编码对噪声波动的弹性。我们分析了我们的编码的安全性，并证明了它与现有的最先进协议相比的稳健性。这种方法为在现实噪声条件下实现可扩展、高效的 QKD 实施提供了一条途径。
抗噪模态参数识别与损伤...
摘要目的——地面振动测试对于飞机设计和认证至关重要。快速松弛矢量拟合 (FRVF) 和 Loewner 框架 (LF) 最近扩展到机械系统中的模态参数提取，以解决时间和频域技术的计算挑战，用于航空相关结构的损伤检测。设计/方法/方法——FRVF 和 LF 应用于数值数据集以评估噪声稳健性和损伤检测性能。还评估了计算效率。此外，它们还应用于一种新的高纵横比机翼损伤检测基准，将其性能与最先进的方法 N4SID 进行比较。结果——FRVF 和 LF 可有效检测结构变化；LF 表现出更好的噪声稳健性，而 FRVF 的计算效率更高。实际意义——建议在有噪声的测量中使用 LF。原创性/价值——据作者所知，这是首次应用 LF 和 FRVF 提取航空相关结构中的模态参数的研究。此外，还介绍了一种新型高纵横比机翼损伤检测基准。
在鲁棒性上揭示了极大的内核转向的黑暗秘密
鲁棒性是在将深度学习模型纳入野外时要考虑的重要方面。nuber的研究一直致力于研究视觉变压器（VIT）的鲁棒性，这些研究一直是自2020年代黎明以来作为视觉任务的主流背部选择。最近，一些大型内核探手会以令人印象深刻的性能和效率卷土重来。但是，仍然尚不清楚大型内核网络是否稳健以及其稳健性的归因。在本文中，我们首先对大型内核弯曲的鲁棒性及其与典型的小核对应物的差异进行了全面评估，并在六个不同的稳健性基准数据集中进行了差异。然后分析其强大鲁棒性背后的根本因素，我们设计了来自定量和定性观念的实验，以揭示与典型的Convnets完全不同的大核转交曲线的诱因。我们的实验首次证明了纯CNN可以实现具有可比性甚至优于VIT的实质性鲁棒性。我们对遮挡方差的分析，内核注意模式和频率特征为鲁棒性提供了新的见解。代码可用：https：//github.com/lauch1ng/lkrobust。