XiaoMi-AI文件搜索系统
World File Search System鲁棒性
AAG：对抗攻击发生器，用于评估机器学习模型针对对抗性攻击的鲁棒性
摘要 - 随着机器学习模型持续集成到关键基础架构中，这些系统针对对抗性攻击的弹性对于所有领域都很重要。本文针对使用Ci-CflowMeter Parser的网络数据集引入了针对网络数据集的对抗性攻击生成器框架。我们对包括FGSMA，JSMA，PGD，C＆W等各种突出的对抗攻击进行了全面评估，以评估其在OCCP数据集中的效果。对对抗发电机进行了精心评估，证明了模型性能的重大影响以检测潜在的扰动。结果展示了不同类型的对抗攻击的影响，这有助于未来的防御策略的批判性进步，以保护工业控制系统。索引术语 - 对话攻击，白色框，黑框，eva-sion
脑转移分割网络，训练有鲁棒性，对带有多个假阴性的注释
深度学习已被证明是医学图像分析的重要工具。但是，需要准确标记的输入数据，通常需要专家的时间和劳动密集型注释，这是对深度学习使用的主要限制。解决这一挑战的一种解决方案是允许使用粗或嘈杂的标签，这可以允许图像的更有效，可扩展的标签。在这项工作中，我们根据熵正则化开发了偏斜的损失函数，该熵正规化假定目标注释中存在非平凡的假阴性率。从经过精心注释的脑转移病变数据集开始，我们通过（1）随机审查带注释的病变，并系统地审查最小的病变，从而用假阴性模拟数据。后者更好的模型真正的医师错误，因为较小的病变比较大的病变更难注意到。即使模拟的假阴性率高达50％，将我们的损失函数应用于随机审查数据的最大敏感性在基线的97％（未经审查的培训数据）下保留，而标准损失函数仅为10％。对于基于尺寸的审查制度，绩效从当前标准的17％恢复为88％，而我们的自举损失损失。我们的工作将与图像标记过程的更有效的缩放相同，并与其他方法并行，以创建更多效果的用户界面和注释工具。关键字：脑转移，细分，深度学习，假阴性，嘈杂标签
评估Zenotof 7600系统鲁棒性的定量蛋白质组学工作流程
该技术说明证明了用于扩展微流蛋白质组学LC-MS分析的Zenotof 7600系统的性能和鲁棒性。该系统是连续运行的28周，而没有仪器清洁或维护，除了例行调整和校准外。鲁棒性，其中使用Zeno Swath DIAS方法分析了人类K562胰蛋白酶消化标准的5 ng和50 ng载荷的复制注射，以评估定量蛋白质组学性能。评估期包括从24-28周进行的加速鲁棒性测试，包括> 1,000个注射（每次注射0.5-1 ng之间的柱载荷）和> 1,020 µg的K562摘要，并注入了系统中，以模拟高通量蛋白瘤研究。在28周内分析了超过1200 µg的蛋白质消化系统。QC结果表明，系统性能在21周的测试期间保持稳定，并且已识别和量化的蛋白质组和前体的数量与变异系数（CVS）<20％一致。这些数据表明Zenotof 7600系统是
人工智能对齐：全面性综述 - AI Alignment
Fig.1 RICE 原则定义了一个对齐系统应具备的四个关键特性，这四个特性并无特定顺序： (1) 鲁棒性 (Robustness) 指人工智能系统的稳定性需要在各种环境中得到保证； (2) 可解释性 (Interpretability) 指人工 智能系统的操作和决策过程应该清晰易懂； (3) 可控性 (Controllability) 指人工智能系统应该在人类的指导 和控制下运行； (4) 道德性 (Ethicality) 指出人工智能系统应该遵守社会规范和普适价值观。这四个原则指 导人工智能系统与人类意图和价值观的对齐。他们本身并不是最终目标，而是服务于对齐的中间目标。
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。
光合作用系统I能量传递复杂网络对目标节点攻击和随机节点失效的鲁棒性
在本文中，我们对豌豆植物（Pisum sativum）的光系统 I (PSI) 复杂网络实施并比较了文献中的 10 种节点移除（攻击）策略，代表了其节点/发色团之间的 FRET 能量转移。我们用四个指标来衡量网络稳健性（功能）。节点攻击策略和网络稳健性指标同时考虑了网络的二元拓扑和加权结构。首先，我们发现众所周知的节点中介中心性攻击在 PSI 网络上无效，这种攻击已被证明可有效拆除大多数现实世界网络的拓扑连通性。其次，PSI 较高的网络连接水平导致节点属性的退化，即使根据特定的节点中心性度量移除节点，也会导致类似随机的节点移除。即使受到节点攻击，这种现象也会导致 PSI 网络功能的下降非常小。这种结果表明，基于经典节点属性（例如度或中介中心性）的节点攻击策略在拆除具有非常高连接水平的现实世界网络时可能效率低下。最后，可以通过调整截止距离 (CD) 来构建 PSI 网络，该距离定义节点/发色团之间的可行能量传输，并逐步丢弃远距离节点/发色团之间的较低能量传输链接。这代表了一种“权重阈值”程序，使我们能够在从 PSI 中逐步修剪较低权重的链接时调查节点攻击策略的有效性
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。
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。
高风险AI系统的技术评估
误报。在垃圾邮件过滤器的情况下，高精度可确保合法电子邮件不会被错误地标记为垃圾邮件。量化AI系统的鲁棒性时，可以计算其对抗性鲁棒性，分布稳健性，稳健性，抗噪声或对输入变化的鲁棒性。对抗性鲁棒性衡量系统对距离指标限制的故意输入操作的弹性，该距离指标捕获了原始输入和对抗性示例之间的差异。分布（OOD）鲁棒性评估系统在训练分布之外的真实数据点上的性能。对噪声的鲁棒性评估（特定于域的）噪声被添加到输入数据时，可以评估性能稳定性。最后，针对输入变化的鲁棒性评估系统可以如何应对输入的系统变化，例如在图像数据的情况下旋转或亮度变化。这些指标与用例相关，从自动驾驶（系统必须在不利天气条件下可靠的自动驾驶）到语音识别，鲁棒性确保了准确的结果，例如在有重音或背景噪声的情况下。最后，可以使用类似于用于测量准确性的指标来检测AI系统中偏差的存在，但重要的是在不同的情况下应用。准确性测试的关键区别在于选择数据实例或方案，这应该代表我们期望相等的性能水平的测试用例。实践测试：技术挑战尤其是在作为访问社会或经济福利的工具的应用中（例如招聘系统），专门的指标，例如人口统计学，机会平等和预测平等可以用来评估不同群体是否从模型中获得相似的预测（或收益）。