XiaoMi-AI文件搜索系统
World File Search System重播
带有生成潜在重放的剪辑-Aniello panariello
随着变压器和视觉模型（VLM）的出现，例如剪辑，微调大型预培训模型最近已成为持续学习的普遍策略。这导致发展了许多促使策略以适应基于变形金刚的模型而不会引起灾难性遗忘。但是，这些策略通常会损害预先训练的剪辑模型的原始零射击功能，并难以适应明显偏离预训练数据的域。在这项工作中，我们提出了持续的生成培训，以进行增量及时学习，这是一种简单而新颖的方法，可以减轻遗忘，同时调整剪辑。简而言之，我们采用各种自动编码器（VAE）来学习视觉编码器嵌入空间内的类调节分布。然后，我们利用这些分布来采样新的合成视觉嵌入式，并在随后的任务中训练相应的特定类文本提示。通过对不同领域的广泛实验，我们表明，这种生成的重播方法可以适应新任务，同时改善零射击功能，并使用针对CL方案量身定制的新型度量标准进行了评估。值得注意的是，进一步的分析表明，我们的方法可以通过关节及时调整弥合差距。该代码库可从https://github.com/ aimagelab/mammoth获得。
带有生成潜在重录的剪辑
随着变压器和视觉模型（VLM）的出现，例如剪辑，微调大型预培训模型最近已成为持续学习的普遍策略。这导致发展了许多促使策略以适应基于变形金刚的模型而不会引起灾难性遗忘。但是，这些策略通常会损害预先训练的剪辑模型的原始零射击功能，并难以适应明显偏离预训练数据的域。在这项工作中，我们提出了持续的生成培训，以进行增量及时学习，这是一种简单而新颖的方法，可以减轻遗忘，同时调整剪辑。简而言之，我们采用各种自动编码器（VAE）来学习视觉编码器嵌入空间内的类调节分布。然后，我们利用这些分布来采样新的合成视觉嵌入式，并在随后的任务中训练相应的特定类文本提示。通过对不同领域的广泛实验，我们表明，这种生成的重播方法可以适应新任务，同时改善了零发功能，并使用针对CL方案量身定制的新型度量标准进行了评估。值得注意的是，进一步的分析表明，我们的方法可以通过关节及时调整弥合差距。该代码库可从https://github.com/ aimagelab/mammoth获得。
使用...
血糖（BG）控制涉及通过体外胰岛素注射将个人的BG保持在健康范围内，对于1型糖尿病患者来说，这是一项重要任务。但是，传统的患者自我管理繁琐且冒险。最近的研究致力于探索个性化和自动化的BG控制方法，其中深度强化学习（DRL）显示了潜力作为新兴方法。在本文中，我们使用药物浓度的指数衰减模型将BG控制问题的形式化转换为从PAE-POMDP（PAE-POMDP（PAE-POMDP）延长作用效应，可观察到的Markov决策过程）将药物效应的延迟和延长转换为MDP，并提出了一种新型的Multi-Step Drl基于基于多的基于基于多人的algorith的方法来解决问题。还使用了优先的体验重播（PER）采样方法。与单步自动化更新相比，多步学习更有效，并降低了偏见目标的影响。与同一训练环境中的基准相比，我们所提出的方法收敛更快，并获得更高的累积奖励，并改善了时间范围（TIR），在评估阶段，患者的BG的时间百分比在目标范围内。我们的工作验证了多步DRL在BG控制中的有效性，这可能有助于探索最佳的血糖控制措施并改善糖尿病患者的存活率。
新闻摘要中的持续学习-Jiliang（Eric）li
Web服务1，David Lopez-Paz和Marc'aurelio Ranzato（2017）。连续学习的梯度情节记忆。corr，ABS/1706.08840。2，Hanul Shin，Jung Kwon Lee，Jaehong Kim和Jiwon Kim（2017）。 持续学习，并具有深刻的生成重播。 corr，ABS/1705.08690。 3，詹姆斯·柯克帕特里克（James Kirkpatrick），拉兹万·帕斯卡努（Razvan Pascanu），尼尔·C·拉比诺维茨（Neil C. Hadsell（2016）。 克服神经网络中的灾难性遗忘。 Corr，ABS/1612.00796。 4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。 从持续学习的角度来看生成模型。 corr，ABS/1812.09111。 5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。 24，否。 363，pp。 1-6，2023。 6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。2，Hanul Shin，Jung Kwon Lee，Jaehong Kim和Jiwon Kim（2017）。持续学习，并具有深刻的生成重播。corr，ABS/1705.08690。3，詹姆斯·柯克帕特里克（James Kirkpatrick），拉兹万·帕斯卡努（Razvan Pascanu），尼尔·C·拉比诺维茨（Neil C. Hadsell（2016）。克服神经网络中的灾难性遗忘。Corr，ABS/1612.00796。4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。 从持续学习的角度来看生成模型。 corr，ABS/1812.09111。 5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。 24，否。 363，pp。 1-6，2023。 6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。从持续学习的角度来看生成模型。corr，ABS/1812.09111。5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。24，否。363，pp。1-6，2023。6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。
在沉浸式虚拟现实体验中，从脑电图中解码主观情绪唤醒
抽象的沉浸式虚拟现实（VR）实现了自然主义的神经科学研究，同时进行了实验控制，但动态和互动刺激构成了方法论挑战。我们在这里探索了情绪唤醒，情感经验的基本特性和自然主义刺激下的枕骨 - 枕α功率之间的联系：37名年轻健康的成年人完成了沉浸式的VR体验，其中包括越过的越野车，并记录了他们的EEG，而他们的EEG被记录。然后，他们在观看经验重播的同时，不断地评估自己的主观情感唤醒。通过（1）分解连续的脑电图信号，同时通过（1）分解α功率和唤醒等级之间的启动，并通过（2）解码高唤醒和低唤醒时期的高唤醒时期，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，通过（1）分解连续的EEG信号，以高和低唤醒的方式通过（2）使用区分的常见的短暂的空间记忆和长期的长期恢复性的Neural Neural re recrillent neural recor re recor remanter，对情绪唤醒和parieto-cipipital Alpha功率之间的关联进行了测试和确认。我们成功地结合了脑电图和自然主义的身临其境的VR经验，以扩展有关情绪唤醒神经生理学的先前发现，对现实世界的神经科学。
医学量身定制的食物不安全和2型糖尿病的餐食：食品方案作为糖尿病药物（FAME-D）试验
摘要：现代供应链系统面临重大挑战，包括缺乏透明度，效率低下的库存管理以及对破坏和安全威胁的脆弱性。传统优化方法通常难以适应这些系统的复杂和动态性质。本文介绍了一种新型的基于区块链的零保守供应链安全框架，该框架与深度强化学习（SAC-RAINBOW）集成在一起，以应对这些挑战。SAC-Rainbow框架利用了具有优先级的经验重播的软演员 - 批判性（SAC）算法，以进行库存优化和基于区块链的零信任机制，以确保安全供应链管理。SAC-Rainbow算法学习了需求不确定性下的自适应策略，而区块链体系结构可确保安全，透明和可追溯的记录保存和自动执行供应链交易。使用现实世界供应链数据进行的实验，以奖励最大化，库存稳定性和安全指标来实现拟议框架的卓越性能。SAC-Rainbow框架提供了一种有希望的解决方案，可通过利用区块链，深入的强化学习和零信任的安全原则来应对现代供应链的挑战。这项研究为面对日益增长的复杂性和安全风险而开发安全，透明和有效的供应链管理系统为开发安全，透明和有效的供应链管理系统铺平了道路。
Corteva报告2024年第三季度结果
第三季度电话会议该公司将与投资者举行2024年第三季度收益电话会议的实时网络广播，以讨论其结果和前景明天，明天（2024年11月7日）上午9:00et。电话会议随附的幻灯片演示文稿已发布在公司的投资者活动和演示页面上。网络广播的重播也将在投资者活动和演示页面上可用。Corteva将举办投资者日，该公司将于2024年11月19日上午9:00主持其投资者日的实时网络广播 et。 公司的首席执行官查克·马格罗（Chuck Magro）以及公司的高级领导团队将在2027年之前提供有关该公司作为AG技术公司，可持续增长平台，业务运营效率，创新的突出显示和财务目标的战略和地位的最新信息。>Corteva将举办投资者日，该公司将于2024年11月19日上午9:00主持其投资者日的实时网络广播et。公司的首席执行官查克·马格罗（Chuck Magro）以及公司的高级领导团队将在2027年之前提供有关该公司作为AG技术公司，可持续增长平台，业务运营效率，创新的突出显示和财务目标的战略和地位的最新信息。
![arxiv：2501.01110V1 [CS.CR] 2025年1月2日](/simg/4\404a1e6932d840dd3fa0139386f95a2f96b1d402.webp)
arxiv：2501.01110V1 [CS.CR] 2025年1月2日
针对恶意软件分类的持续学习（CL）解决了恶意软件威胁的迅速发展的性质和新型类型的频率出现。生成重播（GR） - 基于CL系统利用生成模型生成过去数据的合成版本，然后将其与新数据结合使用以重新训练主要模型。该领域中的传统机器学习技术通常会在灾难性遗忘中挣扎，在这种情况下，模型在旧数据上的性能随着时间的推移而降低。在本文中，我们引入了一个基于GR的CL系统，该系统将生成的对抗网络（GAN）具有功能匹配损失，以生成高质量的恶意软件样本。在方面，我们根据模型的隐藏表示形式实施了用于播放样本的创新选择方案。我们在课堂知识学习方案中对Windows和Android恶意软件数据集进行了全面评估 - 在多个任务上不断引入新课程 - 证明了对先前方法的实质性改进。例如，我们的系统在Windows恶意软件中的平均准确度为55％，大大优于其他基于GR的模型的平均准确性高出28％。本研究为推进基于GR的恶意软件分类系统提供了实用的见解。该实施可在https://github.com/malwarereplaygan/ malcl 1中获得。
1个机器学习揭示了AN ...
昆虫构成了Metazoa物种最富含物种的辐射，这是由于主动飞行的演变而成功。与翼龙，鸟类和蝙蝠不同，昆虫的翅膀不是从腿1演变而来的，而是通过生物力学复杂的铰链连接到体内的新型结构，可将特殊动力肌肉的微小，高频振荡转化为旋转式背后运动2。该铰链由一个称为硬化的细小结构的系统组成，这些系统通过柔性关节相互连接，并受专门对照肌肉的活性进行调节。在这里，我们使用遗传编码的钙指示剂对这些肌肉的活性进行了成像，同时用高速相机跟踪机翼的3D运动。使用机器学习方法，我们创建了一个卷积神经网络3，该网络3可以准确地从转向肌肉的活动中预测机翼运动，以及一个预测单个硬化物在机翼运动中的作用的编码器4。通过在动态缩放机器人苍蝇上重播机翼运动模式，我们量化了转向肌肉活动对空气动力的影响。一种基于物理的模拟，结合了我们的铰链模型，生成了与自由飞行苍蝇非常相似的飞行操作。这种综合性的多学科方法揭示了昆虫翼铰链的机械控制逻辑，可以说是自然界中最复杂和最重要的骨骼结构之一。
车辆通信
智能运输系统通过实现车内通信来增强道路安全性至关重要。由于无线通信链接的性质，存在几种潜在的攻击风险，包括模仿，修改和重播。确保车辆临时网络（VANETS）的安全性免受恶意活动的安全性，安全性终端之间的安全数据交换，特定的车辆到所有东西（V2X）通信，成为需要关注的关键技术挑战。VANET应用程序的现有身份验证方法主要依赖于基于加密的技术。物理（PHY） - 莱默身份验证的出现已获得突出，利用无线通道和硬件瑕疵的固有特征来区分无线设备。基于Phy-Layer的身份验证不是加密方法的独立替代方案，但它显示出作为对货物中重新认证的补充方法的潜力，被称为“跨层身份验证”。这项综合调查彻底评估了基于加密的基于加密，基于PHY层和基于跨层的身份验证方法。此外，这项调查还深入研究了不同的第六代（6G）和超越技术，例如可重新配置的智能表面（RIS）和联合学习，以提高在有效攻击者的情况下增强PHY-Layer身份验证性能。此外，还提供了对跨层身份验证方法优势的深入见解，同时还探索了各种最新的Vanet安全技术。在这些高级方法上提供了详细的技术讨论，得出的结论是，它们可以显着增强智能运输系统的安全性，从而确保更安全，更有效的车辆通信。