预测急诊出院后的高住院风险：一种集成学习方法的应用
摘要
本文由Dat Hong, Philip M. Polgreen和Alberto Maria Segre共同撰写，聚焦于预测急诊部门出院后短期内（3天、7天和14天）的住院风险。文章通过数据挖掘技术，利用大型医院数据集，构建了高准确度的预测模型。该模型结合了逻辑回归、朴素贝叶斯和关联规则分类器，旨在帮助医生在急诊部门环境中预测患者早期入院的风险，从而提高患者安全和医疗服务质量。
Read more..."AE-APT：深度学习驱动的APT检测新工具，革新网络安全防御"
摘要
本文介绍了一种名为AE-APT的深度学习工具，用于在高度不平衡的数据集中检测高级持续威胁（APTs）。AE-APT采用了一系列从基本到基于Transformer的AutoEncoder方法，并通过在DARPA透明计算程序生成的来源跟踪数据库上进行评估，展示了其相较于其他方法的显著更高的检测率。该工具能够跨多个操作系统（包括Android、Linux、BSD和Windows）检测和排序异常，显示出在识别APT类模式方面的优越性能。
Read more..."AI助力皮肤癌诊断：Grad-CAM与专家标注的融合创新"
摘要
本文介绍了一种基于人工智能的工具，用于通过远程皮肤病学提高基底细胞癌（BCC）诊断的可解释性。该工具结合了Grad-CAM技术和高水平专家标注，以增强诊断的透明度和准确性。通过识别图像中的主要BCC皮损模式，并利用基于期望最大化（EM）算法的共识参考，该工具实现了90%的BCC/非BCC分类准确率和99%的临床相关BCC模式检测准确率。此外，该工具通过临床启发的可视化解释，帮助医疗专业人员理解AI模型的决策过程，从而加速转诊并优化资源利用。
Read more..."DP-Weights: 训练后加噪，隐私保护新境界"
摘要
本文介绍了一种创新的机器学习模型训练方法，通过在训练后对模型权重应用差分隐私（Differential Privacy, DP）噪声，以实现隐私保护。传统的差分隐私方法通常在训练过程中引入噪声，这可能导致模型性能下降或隐私保护不足。本文提出的DP-Weights方法允许在训练完成后调整噪声水平，以达到最佳的隐私-效用平衡。该方法通过数学证明和实证评估，包括成员推理攻击和性能评估，验证了其有效性。与传统的DP-SGD模型相比，DP-Weights模型在保持相似的隐私保证的同时，显著减少了训练时间和提高了参数调整的灵活性。
Read more..."ELR-GNN：革新多模态对话情感识别的高效图神经网络"
摘要
本文介绍了一种高效的长距离潜在关系感知图神经网络（ELR-GNN），用于对话中的多模态情感识别（MERC）。该任务旨在基于对话中的多模态信息分析每个话语的真实情感状态，对于对话理解至关重要。现有方法主要使用图神经网络（GNN）来建模对话关系并捕捉上下文的潜在语义关系。然而，由于GNN的复杂性，现有方法无法有效捕捉长距离话语之间的潜在依赖关系，从而限制了MERC的性能。ELR-GNN通过使用预提取的文本、视频和音频特征作为输入，利用双向长短期记忆网络（Bi-LSTM）捕捉上下文语义信息，并构建对话情感交互图。为了有效捕捉长距离话语之间的潜在依赖关系，本文采用扩张广义前向推送算法预计算全局话语之间的情感传播，并设计情感关系感知操作符来捕捉不同话语之间的潜在语义关联。此外，结合早期融合和自适应晚期融合机制，融合说话者关系信息和上下文的潜在依赖信息。最后，获取高级话语特征并将其输入多层感知机（MLP）进行情感预测。实验结果表明，ELR-GNN在基准数据集IEMOCAP和MELD上达到了最先进的性能，运行时间分别减少了52%和35%。此外，ELR-GNN能够有效提高MERC任务的准确性，通过捕捉和融合话语之间的潜在语义关系。
Read more..."LoPT: 革命性的低秩提示调优技术，大幅提升语言模型参数效率"
摘要
本文介绍了一种名为Low-rank Prompt Tuning (LoPT)的新方法，旨在通过减少训练参数数量来提高语言模型在特定任务上的性能。传统的prompt tuning方法通过优化输入的前缀或后缀嵌入来控制语言模型，而LoPT通过低秩模型优化这些嵌入，实现了与全参数优化相媲美的效果，同时减少了训练参数的数量，提高了参数效率。
Read more..."SSCBM：突破传统概念瓶颈模型的新框架"
摘要
本文介绍了一种名为SSCBM（Semi-supervised Concept Bottleneck Model）的新框架，旨在解决传统概念瓶颈模型（CBMs）在训练过程中对精确和丰富标注概念数据的依赖问题。CBMs虽然能够提供基于概念的解释，但其训练通常需要专家标注，成本高昂且资源密集。SSCBM通过利用标记和未标记数据的联合训练，并引入伪标签生成策略和对齐损失，有效解决了这些问题。实验结果显示，即使在仅有20%的标记数据情况下，SSCBM也能达到高概念准确性和预测准确性，显示出其在实际应用中的巨大潜力。
Read more..."优化大型语言模型的共情响应生成：理论驱动的方法与实践"
摘要
本文由Ondrej Sotolar等人撰写，探讨了在对话代理中生成共情响应的问题。共情响应生成（ERG）是使对话代理能够理解用户情境、情感和体验，从而生成适当、类人响应的关键技术。尽管大型语言模型（LLM）在此任务上显示出潜力，但确保响应的共情质量和模型的泛化性能仍面临挑战。本文提出了一种新颖的方法，通过构建理论驱动的偏好数据集并使用偏好优化算法来对齐LLM，以解决这些挑战。研究使用了EmpatheticDialogues数据集，并评估了共情响应生成的效果，同时公开了所有数据集、源代码和模型。
Read more..."再遗忘：大型语言模型内容监管的新挑战"
摘要
本文由Google DeepMind的研究团队撰写，探讨了在大型语言模型（LLMs）中使用“遗忘”（unlearning）技术进行内容监管的局限性。文章指出，尽管遗忘技术最初旨在从机器学习模型中移除隐私敏感信息，但其在防止模型生成非法或有害内容方面的效果有限。文章提出了“再遗忘”（ununlearning）的概念，即通过上下文学习，模型可以重新获取已被遗忘的知识，从而使遗忘技术在内容监管方面的应用变得复杂。文章强调，为了有效监管非法内容，除了遗忘技术外，还需要结合内容过滤等其他机制。
Read more..."创新AI工具：自动化生成SAPPhIRE模型，提升设计效率与准确性"
摘要
本文由Anubhab Majumder等人撰写，介绍了如何利用大型语言模型（LLMs）开发和评估一种增强检索生成工具，用于创建人工系统的SAPPhIRE因果模型。SAPPhIRE模型在支持设计类比（DbA）方面被发现非常有用，但创建人工或生物系统的SAPPhIRE模型是一个劳动密集型过程，需要专家从多个技术文档中获取系统工作原理的知识。本文提出的检索增强生成（RAG）工具旨在生成与人工系统的SAPPhIRE构造相关的信息，并初步评估了该工具的成功性，重点关注事实准确性和结果的可靠性。
Read more...Previous Page
128 of 156
Next Page