- 深度学习漏洞检测在真实数据集上的性能再探讨
该研究探讨了软件漏洞对日常软件系统的重大影响,评估了深度学习模型在现实场景中的表现,并发现了性能下降和过拟合等问题,提出了一个改进的数据集用于评估模型,并提出了增强技术以提高性能。
- 一种基于不确定性引导的分级自训练框架用于主动无源域适应在前列腺分割中
我们提出了一种基于不确定性引导的分层自训练框架,通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波,结合分层自学习策略,在交叉中心前列腺 MRI 分割数据集上取得显著进展,仅有 5% 的注释,在两个目标域与现有 - MHNet:多视角高阶网络用于诊断静息态 fMRI 的神经发育障碍
利用多视图功能学习,从欧几里得空间和非欧几里得空间提取高阶信息,增强神经发育障碍(NDD)分类性能。
- 解决深度视觉模型中的一个基本限制:缺乏空间注意力
当前深度学习模型在处理图像时存在的重要局限性是它们无法像人类视觉一样,高效地只选择必要的视觉区域进行处理,导致速度慢且能耗高。本文从广泛的角度考察了这个问题,并提出了解决方案,为下一代更高效的视觉模型铺平了道路。基本上,本文采用了选择性地对 - 面具与压缩:持续学习中高效基于骨架的动作识别
使用骨骼数据,通过连续学习的上下文来高效有效地进行动作识别。我们引入了 CHARON(连续人类动作识别骨骼网络),通过均匀采样、插值和基于掩模的内存高效训练阶段等技术,在保持一致性能的同时,在一个高效的框架内操作,实现了提高的识别准确性,同 - QUEEN: 模型抽取的查询反学习
QUEEN 是一种针对模型提取攻击的反击方法,通过敏感度测量和输出扰动来限制潜在威胁的出现,并且在单个敏感的查询批次上应用查询去学习,以减少攻击的学习准确性。
- 基于贝叶斯熵神经网络的物理感知预测
这篇论文介绍了贝叶斯熵神经网络(BENN),它是基于最大熵原理的框架,旨在对贝叶斯神经网络(BNN)的预测施加约束,以实现不确定性量化和约束满足,实验结果表明 BENN 在各种应用中展现出明显的改进,并展示了与当代约束深度学习方法相当的竞争 - 深度学习解释和类激活图的集成特征分析
为了更深入了解深度学习模型提取的中间特征,我们提出了一种综合特征分析方法,通过特征分布分析和特征分解来探索模型对数据集的影响,并提供了一种常用强度标尺的分布信息,以解决当前 CAM 算法中缺失的信息,验证了该方法的可靠性和相对简洁性。
- 利用文本概念解释胸部 X 光病理模型
本文提出了利用已有的视觉 - 语言模型 (Visual-Language Model, VLM) 联合嵌入空间的概念对立解释来解释黑盒分类器结果的方法,无需注释的数据集。通过利用胸部放射学报告中的文本概念和基于胸部放射学的预训练 VLM,解 - 自动识别多语言注册表的非限制网络
该研究探索了深度学习模型在自动识别网络文本分类(如新闻报道和讨论论坛)方面的应用,尤其是在多语言环境下,该模型通过使用新的多语言核心语料库,通过对 25 个分类目录进行层次化注释,提高了分类性能。
- 对 CT 图像退化进行的黑盒模型鲁棒性测试:基于测试时增强的方法
通过模型架构和数据预处理对多个常用分割和目标检测方法在模拟 CT 成像伪影和退化情况下的鲁棒性进行了测试,并考虑了通过模拟扫描仪老化或成像协议变化引起的图像质量的未来变化对深度学习模型的临床应用的可持续性的影响。
- 利用双重深度神经网络推进 PM2.5 运营预测 (D-DNet)
提出了一种双重深度神经网络(D-DNet)预测与数据同化系统,能够高效整合实时观测,确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀,在 2019 年整年内保持一致的准确性,并比 Coperni - KDD面向鸟类生物声学的深度主动学习
被动声学监测(PAM)在鸟类生物声学中能够以最小干扰自然栖息地的方式实现经济高效、广泛的数据收集。本文概述了一种深度主动学习方法,介绍了关键挑战,并进行了一个小规模的试点研究。
- 优化超参数与检验点模型权重的改进
该论文提出了一种用于神经网络的超参数优化方法,使用已训练权重的记录检查点来引导未来的超参数选择,借助灰盒超参数优化方法,通过嵌入权重到高斯过程深度核代理模型来提高效率,并通过一个置换不变图元网络实现数据效率。
- 通过深度学习和精调的大型语言模型构建集成模型以提升实体识别性能:多源不良事件抽取案例研究
本篇研究旨在评估 LLMs 和传统深度学习模型在提取 AE 信息方面的有效性,并评估这些模型集成对性能的影响。研究发现,利用优化后的传统深度学习模型和 LLMs 进行集成,能够在提取疫苗、注射和不良事件方面实现最高性能,同时对整体性能的评估 - 利用深度鲁棒分类器中的边缘一致性检测脆弱决策
本文引入了边际一致性的概念,该概念将输入空间的边际与鲁棒模型的逻辑边际联系起来,用于高效地检测易受攻击样本和评估部署情景中的对抗脆弱性。
- ICCV用显式的程序化知识引导视频预测
我们提出了一种将领域的程序化知识集成到深度学习模型中的通用方法,并通过基于物体为中心的深度模型对视频预测进行应用,表明这比仅使用数据驱动模型能够获得更好的性能。我们开发了一种使潜在空间解缠结的架构,以利用集成的程序化知识,并建立了一个允许模 - 语义深度隐藏用于鲁棒的无法学习的示例
在确保数据隐私和保护的时代,我们提出了一种深度隐藏方案,适应性地隐藏富含高级特征的语义图像,通过不可见地集成预定义图像并结合欺骗性扰动隐藏它们,以增强数据的不可学习性和阻止未经授权的数据探索。
- BayTTA: 使用贝叶斯模型平均优化测试时间增强的不确定性感知医学图像分类
本研究提出了一种新的基于贝叶斯模型平均的测试时间增强(TTA)优化框架 BayTTA,通过结合模型预测并加权考虑后验概率,可以提高相关机器学习或深度学习模型的预测性能。在医学图像分析和一些流行的预训练 CNN 模型中,BayTTA 的实验结 - 深度学习预测和分类分段光滑映射的动态行为
本研究探讨了使用各种深度学习模型来预测分段平滑映射的动力学。通过使用深度学习模型,我们展示了预测分段平滑映射动力学的各种新颖方法。我们还使用机器学习模型如决策树分类器、逻辑回归、K 近邻、随机森林以及支持向量机来预测一维正规形式映射和一维帐