本文介绍了一种名为FLOW的新型人工智能方法，用于通过惯性测量单元（IMU）进行跨用户人类活动识别（HAR）。FLOW方法通过融合和洗牌全局与局部视角，解决了IMU-HAR模型在不同用户间数据分布差异大的问题。该方法通过将IMU数据从局部坐标系转换到全局坐标系（NED坐标系），减少了由于传感器佩戴方式不同导致的数据分布差异。此外，FLOW方法还提出了一种多视角监督网络（MVFNet），通过洗牌和重组多个样本的视角，确保模型尽可能多地利用传感器信息进行最终决策。实验结果表明，FLOW方法在跨用户HAR任务中优于现有的最先进方法。
Read more...
本文介绍了一种名为MOT的混合演员强化学习方法，通过最优传输（OT）算法应用于算法交易。MOT设计了多个演员，利用解耦表示学习来模拟市场的不同模式，并通过引入正则化损失项的OT算法将样本分配给适当的演员。此外，MOT还提出了预训练模块，通过模仿学习来对齐演员的输出与专家策略，从而更好地平衡强化学习的探索与利用。实验结果显示，MOT在真实期货市场数据上表现出色，能够在平衡风险的同时实现优异的盈利能力。
Read more...
本文探讨了人工智能图像生成器中的“流动性”概念，即图像生成器对输入提示的解释灵活性。随着AI生成艺术的热潮，关于AI是否能展现人类创造力的讨论日益激烈。本文通过实验量化了图像生成器的“流动性”，即它们在生成图像时对初始提示的偏离程度。研究通过构建自动生成的提示和图像链，并使用视觉和语义指标测量这些链的断裂点，来评估不同图像生成器的流动性。这一新颖的度量方法为选择适合特定用途的图像生成模型提供了依据。
Read more...
本文综述了智能反射面（IRS）与无人机（UAV）在无线通信系统中的协同应用，强调了这一创新组合如何显著提升网络性能，特别是在安全性、能源效率和可靠性方面。IRS通过动态重构传播环境，优化信号路径并减少干扰，而UAV则提供了高度的移动性和灵活性，能够增强传统固定基础设施难以覆盖区域的网络覆盖。此外，机器学习（ML）在优化UAV配备IRS系统的部署和操作中扮演了关键角色。本文还探讨了这一领域的最新研究进展和实际应用，展望了IRS-UAV集成技术在未来的发展方向和潜力。
Read more...
本文介绍了一种利用元启发式算法和深度学习方法诊断急性淋巴细胞白血病（ALL）的创新模型。该模型通过结合ResNet架构的特征提取器、多种特征选择器和分类器，旨在提高诊断的准确性和敏感性。研究采用C-NMC 2019数据集，通过多种转移学习模型进行深度特征提取，并使用遗传算法、主成分分析（PCA）等方法进行特征选择，最终通过多层感知器（MLP）分类器实现了90.71%的准确率和95.76%的敏感性。该方法在ALL分类任务中表现优异，显示出在医疗诊断领域的广阔应用前景。
Read more...
本文是一篇关于人类动作识别（HAR）的综述，主要介绍了卷积神经网络（CNNs）、循环神经网络（RNNs）和视觉转换器（ViTs）在该领域的应用和发展。文章还提出了一种新的混合模型，将CNNs和ViTs的优势相结合，以提高HAR系统的性能。
Read more...
本文介绍了一种利用排名机制来加速理性言语行为（RSA）框架下的实用程序合成器的方法。该方法通过先查询精确的RSA合成器来编译一个通信数据集，该数据集包含多个与示例相关的程序子集排名。然后，该方法将这些示例相关的排名提炼成一个单一的全局程序排名，以此来近似数据集中的每个排名。在推理时，使用一个快速、非实用的合成器生成多个逻辑上一致的候选程序，并利用全局排名快速对其进行排序。实验表明，该方法在保持与人类通信准确性的同时，比精确的RSA合成器快了几个数量级。此外，本文还证明了在仅从一个示例进行合成的情况下，这种近似是精确的。
Read more...
本文探讨了扩散模型在文本到图像生成过程中出现的记忆化问题，即模型倾向于复制训练数据中的图像，这引发了版权侵权和隐私泄露的担忧。文章提出了一种新颖的后验方法，通过修剪预训练模型中的特定子空间权重来缓解记忆化现象，无需修改训练或推理过程。该方法不仅简化了记忆化问题的解决，还增强了模型对抗训练数据提取攻击的鲁棒性，为实际应用提供了一种全面且高效的解决方案。
Read more...
本文提出了一种基于伪标签的域适应方法（PDTS），用于解决零样本文本隐写分析中的问题。在实际应用中，由于数据集偏差或域偏移现象，基于深度神经网络的文本隐写分析模型在新的数据集和任务上表现不佳。PDTS方法结合预训练的BERT模型和单层双向LSTM，通过伪标签和自训练策略，有效地提取跨任务的通用特征和任务特定表示，增强模型在目标域的分类性能。实验结果表明，该方法在零样本文本隐写分析任务中表现优异，即使在目标域缺乏标记数据的情况下也能实现高检测精度。
Read more...
本文针对分类任务中数据增强可能引入的不公平影响问题，提出了一种名为FAir Classification with a Two-player game (FACT)的新方法。该方法通过将分类器的训练过程建模为一个公平优化的对抗性双人游戏，旨在确保数据增强的好处均匀分布于所有类别，而不是集中在少数类别上。论文通过理论证明和实验验证，展示了FACT方法能够在不显著影响平均准确率的情况下，有效减少类别间的不公平性，并提升最差类别的表现。
Read more...