XiaoMi-AI文件搜索系统
World File Search System鲁棒性
数字技术，供应链弹性，鲁棒性和可持续环境绩效之间的相互作用：供应链复杂性至关重要吗？
摘要：本研究旨在调查供应链弹性和鲁棒性在使用数字技术与可持续环境绩效之间关系的中介作用。此外，它研究了供应链复杂性对数字技术对供应链弹性和鲁棒性的影响的调节作用。数据是从埃及注册制造公司的292家供应链经理收集的，并使用Smart-Pls 4软件进行了分析。调查结果表明，供应链的弹性和鲁棒性部分介导了数字技术与可持续环境绩效之间的联系。此外，发现供应链复杂性可以积极地调节数字技术对弹性和鲁棒性的影响。该模型解释了供应链鲁棒性差异的53.2％，供应链弹性56.6％，可持续环境绩效的差异为72.3％。这些结果为公司决策提供了关键的见解，有助于推动供应链管理，环境绩效和可持续发展的持续改进。
学习一个动态隐私的相机鲁棒性反转攻击
摘要。设计了设计隐私相机（PPC）的问题。以前的设计依赖于静态点扩展功能（PSF），以防止检测私人视觉信息，例如可识别的面部特征。但是，可以通过测量对点光源的摄像机响应来轻松恢复PSF，从而使这些相机容易受到PSF反转攻击的影响。提出了一种新的动态隐私（Dypp）摄像头设计，以防止此类攻击。dypp摄像机依赖于动态的光学元素，即这种空间光模拟器来实现随时间变化的PSF，该PSF随着图片的变化而变化。PSF是通过学习的嵌入式嵌入，对手进行的，以同时满足用户指定目标的隐私目标，例如面部识别准确性和任务效用。对多种隐私视力任务的经验评估表明，与以前的PPC相比，Dypp设计对PSF反转功能的强大意义要大得多。此外，该方法的硬件可行性由概念验证摄像头模型验证。
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。
mammo-clip：一种视觉语言基础模型，以提高乳房X线摄影的数据效率和鲁棒性
摘要。缺乏有关乳腺癌检测的计算机辅助诊断（CAD）的大量培训数据一直是阻碍系统采用的问题之一。最近，通过视觉模型（VLM）（例如，剪辑）对大规模图像文本数据集进行预训练，部分解决了计算机视觉（CV）中鲁棒性和数据效率的问题。本文提出了Mammo-CLIP，这是第一个通过大量筛选乳房X线图 - 报告对的VLM，以解决数据集多样性和大小的挑战。我们在两个公共数据集上进行的实验表明，在对乳腺癌检测至关重要的各种乳腺X线学属性时表现出强烈的表现，表明数据效率和鲁棒性与CV中的剪辑相似。我们还提出了一种新型特征归因方法Mammo-Factor，以在乳房X线摄影报告中使用句子级粒度来提供表示表示的空间解释。代码可公开使用：https：//github.com/batmanlab/mammo-clip。
机器学习鲁棒性：底漆
摘要本章探讨了机器学习中鲁棒性的基础概念（ML）及其在建立人工智能（AI）系统中的信任度中不可或缺的作用。讨论始于对鲁棒性的详细定义，将其描述为ML模型在各种和意外的环境条件下保持稳定性能的能力。ml鲁棒性是通过多种镜头解剖的：它与普遍性的互补性；它的地位是值得信赖的AI的要求；它的对抗性与非对抗性方面；它的定量指标；及其指标，例如可重复性和解释性。本章深入研究了障碍鲁棒性的因素，例如数据偏见，模型复杂性和未育种ML管道的陷阱。它从广泛的角度来调查鲁棒性评估的关键技术，包括对抗性攻击，包括数字和物理领域。它涵盖了深度学习（DL）软件测试方法的非对抗性数据变化和细微差别。从以数据为中心的方法开始，例如以数据为中心的方法，探索巩固鲁棒性的改善策略正在发展。 进一步检查包括各种以模型为中心的方法，例如转移学习，对抗训练和随机平滑。 最后，讨论了训练后方法，包括集合技术，修剪和模型维修，作为成本效果的策略出现，以使模型对不可预测的模型更具弹性。探索巩固鲁棒性的改善策略正在发展。进一步检查包括各种以模型为中心的方法，例如转移学习，对抗训练和随机平滑。最后，讨论了训练后方法，包括集合技术，修剪和模型维修，作为成本效果的策略出现，以使模型对不可预测的模型更具弹性。本章强调了通过现有的估算和实现ML鲁棒性的持续挑战和局限性。它为这一关键概念的未来研究提供了见解和方向，这是值得信赖的AI系统的先决条件。
点云模型改善了机器人学习者的视觉鲁棒性
摘要 - 视觉控制策略在视觉条件（如照明或摄像机位置）与训练过程中所见的情况有所不同时可能会遇到重大的性能降解 - 通常甚至在较小的差异方面表现出急剧下降的能力。在这项工作中，我们研究了基于RGB-D和基于点云的视觉控制策略的这些类型的视觉变化的鲁棒性。要对基于模型和基于模型的强化学习者进行这些实验，我们引入了一种新颖的Point Cloud World Model（PCWM）和基于点云的控制策略。我们的实验表明，明确编码点云的策略比其RGB-D对应物更强大。此外，我们发现我们提出的PCWM在训练过程中的样本效率方面显着优于先前的工作。在一起，这些结果表明，通过点云进行有关3D场景的推理可以提高性能，减少学习时间并增加机器人学习者的鲁棒性。项目网页：https：//pvskand.github.io/projects/pcwm
自动驾驶汽车轨迹预测鲁棒性研究
摘要 — 自动驾驶汽车依靠准确的轨迹预测来为与导航和防撞相关的决策过程提供信息。然而，目前的轨迹预测模型存在过度拟合的迹象，这可能导致不安全或次优的行为。为了应对这些挑战，本文提出了一个全面的框架，对文献中用于评估和提高轨迹预测模型鲁棒性的定义和策略进行分类和评估。这涉及对各种方法的详细探索，包括数据切片方法、扰动技术、模型架构更改和训练后调整。在文献中，我们看到了许多有前景的提高鲁棒性的方法，这对于安全可靠的自动驾驶是必不可少的。
癌症微生物组信号的鲁棒性在广泛的方法学变化上
在2020年，我们鉴定了癌症基因组图集（TCGA）中的癌症特异性微生物信号[1]。多个同行评审的论文独立验证或扩展了我们的发现[2-12]。鉴于这种影响，我们仔细考虑了Gihawi等人的关注。[13]批处理校正和数据库污染具有人工的宿主序列，从而产生了癌症类型特异性微生物组的外观。（1）我们通过比较了每批次的原始和VOOM-SNM校正数据，测试了批处理校正，发现了预测等效性和显着性相似的功能。我们发现了使用现代微生物组特异性方法（Conqur [14]）的一致结果，并且在限制在独立的，高度污染的队列中发现的分类单元时。（2）使用conterminator [15]，我们发现原始数据库中的人类污染水平较低（基因组的约1％）。我们证明了Gihawi等人对人类读物的发现增加。[13]是由于使用了较新的人类基因组参考。（3）我们开发了详尽的方法，这是清洁repseq的敏感性两倍的方法。我们全面拥有许多人类（PAN）基因组参考的宿主数据。我们对此重复了所有分析和Gihawi等。[13]管道，发现癌症类型的微生物组。这些广泛的重新分析和更新的方法验证了我们最初的结论，即TCGA中存在癌症类型的微生物特异性标志，并表明它们对方法论很强。
塑造AI的未来：确保不断发展的模型的鲁棒性，效率和公平性
我们进入了一个快速发展的人工智能和机器学习时代，大型语言模型（LLM），视觉语言模型（VLM）和生成性AI越来越多地与我们的生活交织在一起。这些强大的工具具有彻底改变无数领域的潜力 - 从医疗保健到交通，教育到娱乐，我们的工作空间再到房屋。，但没有它的危险就不会产生这种巨大的潜力。我们目睹了由于缺乏鲁棒性，效率和公平性，AI/ML模型未达到我们的期望。例如，微软的AI聊天机器人的“ tay”开始掠夺攻势和不适当的内容，成为AI对虚假功能的敏感性的惊人例子。同样，自动驾驶汽车已经显示出对对抗扰动的脆弱性 - 从战略上放置在停车标志上的简单贴纸欺骗了这些AI模型，以将其错误分类。此外，当面对分配变化时，许多AI模型都步履蹒跚，无法将其从训练到现实世界的条件推广到现实状况，这证明了AI经常记录的斗争，从而识别出代表性不足的群体的面孔。这些模型的效率是增殖AI应用时代的另一个关键问题。由于计算资源和数据隐私是重大限制，我们需要精益且具有数据效率的模型。此外，随着AI模型继续影响医疗保健，招聘和执法等关键领域的决策，公平已成为不可谈判的要求。最近的变压器模型尽管具有令人印象深刻的功能，但由于其对计算资源的需求和广泛的培训数据而臭名昭著，这使我们迫切需要有效的模型设计，数据利用和学习过程。长期公平性尤其具有挑战性，因为这些AI系统经常会遇到随着时间的流逝而不断发展的数据分布，这可能会导致其公平标准偏离。
机器学习中的对抗训练和鲁棒性...
摘要：在机器学习领域，确保对抗攻击的鲁棒性越来越重要。对抗性训练已成为强化模型免受此类漏洞的重要战略。该项目提供了对抗性训练及其在加强机器学习框架弹性中的关键作用的全面概述。我们深入研究了对抗训练的基本原理，阐明了其基本机制和理论基础。此外，我们调查了在对抗训练中使用的最新方法和技术，包括对抗性示例生成和培训方法。通过对最近的进步和经验发现进行彻底的研究，我们评估了对抗性训练在增强各种领域和应用跨机器学习模型的鲁棒性方面的有效性。此外，我们应对挑战并确定这个新兴领域的开放研究途径，为未来的发展奠定了旨在增强机器学习系统在现实世界情景中的安全性和可靠性的基础。通过阐明对抗性训练的复杂性及其对强大的机器学习的影响，本文有助于促进对维护人工智能不断发展的环境中的对抗性威胁至关重要的理解和应用。关键字：对抗性培训，鲁棒性，SGD，模型增强