Sep, 2023

智能合约代码的高效漏洞避免：基于漏洞约束解码的方法

PDF
TL;DR通过使用基于 Transformer 的大型语言模型技术，我们提出了一种新颖的脆弱性约束解码方法，通过在代码生成过程中包含脆弱性标签，来减少由这些模型生成的脆弱代码的数量。我们对 GPT-J 模型进行微调，并应用脆弱性约束解码来自动完成以太坊区块链智能合约，结果表明这种方法可以有效地避免自动完成代码的脆弱性。
auto-completing codevulnerability-constrained decodingethereum blockchain smart contractsgpt-j modelsc security
发现论文，激发创造
  • 基于图卷积自编码器的可变形形状补全

    本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

    Dec, 2017

  • 从单个深度图像进行对抗性语义场景补全

    本文提出了一种基于对抗学习的新型结构，可以从单个输入深度图像重建、完整和语义标识一个 3D 场景，通过使用多种对抗损失项来实现对内部特征的有效嵌入，同时保留了原始的 2.5D 结构以提高模型内部表示的效果。

    Oct, 2018

  • 具有自动转换搜索的隐私保护协作学习

    本论文提出了一种基于数据增强的解决方案，以防止敌对方从共享的梯度中恢复训练数据，文中使用创新的搜索方法发现数据增强策略，并使用两个新的度量指标来评估策略的影响，实验结果表明该方法能够高效地击败现有的重建攻击，对模型性能影响微不足道。

    Nov, 2020

  • 使用深度学习进行语义图像补全和增强

    本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

    Nov, 2019

  • 学习局部位移实现点云补全

    该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

    Mar, 2022

  • 自主训练的深度可变形蒙版自编码器在颅骨缺陷重建中的自动应用

    使用自监督遮蔽自编码器解决颅骨缺陷的问题，通过对比先进的深度神经网络，在 SkullBreak 和 SkullFix 数据集上展示了定量和定性的改进，实现实时有效重建颅骨缺陷。

    Apr, 2024

  • 从单个视角深度学习的全 3D 物体补全

    通过结合深度卷积神经网络体系结构和自编码器，从深度图中隐含学习 3D 几何特征，大大提高了新方法的重建准确度，并使其适用于实时应用。

    Aug, 2018

  • 非线性转换对抗无法学习的数据集

    我们研究和设计了一个有效的非线性转换框架，并进行了广泛实验以证明深度神经网络可以有效地学习以往被认为是无法学习的数据 / 示例，从而提高了打破无法学习数据的能力，显示出比线性可分技术更好的性能，进一步指出现有的数据保护方法在防止未经授权的机器学习模型使用数据方面是不充分的，迫切需要开发更强大的保护机制。

    Jun, 2024

  • 鲁棒性非刚性形状匹配的隐式场监督

    本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

    Mar, 2022

  • 概率隐式场景补全

    该研究提出了一种面向大规模 3D 场景连续几何的概率形状完成方法，该方法利用生成细胞自动机学习多模态分布，通过稀疏体素嵌入渐进式生成连续形状，其训练目标最大化完整形状分布的变分下限，并通过实验证明了相比于确定性模型，该方法在几何完成方面的表现更佳。

    Apr, 2022