本文由Ulin Nuha和Chih-Hsueh Lin共同撰写，探讨了在数据稀缺情况下通过条件半监督数据增强（CSSDA）进行垃圾短信检测的问题。传统的垃圾短信检测方法通常依赖于大量标记数据，而现有的数据增强技术在有效性和鲁棒性方面存在局限。CSSDA模型通过利用未标记数据进行数据增强，扩展了训练数据集，显著提高了垃圾短信检测的性能。实验结果表明，CSSDA在处理不同数量的未标记数据时，都能保持约85%的平衡准确率，显示出其优越的性能和鲁棒性。
Read more...
本文介绍了一种名为“Form Forge”的创新系统，该系统利用StyleGAN2-ADA模型，通过直接操纵潜在变量来探索建筑形式的潜在空间。受Franois Blanciak的著作《SITELESS: 1001 Building Forms》的启发，Form Forge允许用户交互式地导航和修改潜在空间中的建筑形式，从而为建筑设计和人机交互提供了一种新颖的探索工具。该系统的开发旨在简化与高维复杂空间的交互，并作为对这类工具如何支持建筑设计创意过程的初步研究。
Read more...
LogicVista是一个评估多模态大型语言模型（MLLMs）在视觉上下文中逻辑推理能力的基准测试。随着MLLMs在图像诗歌创作和数学推理等领域的进步，逻辑推理任务的重要性日益凸显，尤其是在导航和解谜等活动中。LogicVista通过包含5种逻辑推理任务和9种不同能力的448个多选题，全面评估了8种MLLMs的逻辑认知能力。每个问题都附有正确答案和人工编写的推理过程，支持开放式和多选题的评估。该基准测试的代码和数据已公开，以便于模型性能的严格评估和比较。
Read more...
本文介绍了一种新的解析器性能预测（PPP）模型，该模型利用机器翻译性能预测系统（MTPPS），基于文本、链接结构和括号树结构信息的外在和新颖特征，统计上独立于任何语言或解析器。这种新系统MTPPS-PPP能够预测任何语言中任何解析器的性能，有助于估计理解给定文本的语法难度、设定解析输出的期望、为特定领域选择解析器以及解析器组合系统。该系统在括号F1的PPP中取得了最先进的结果，相比仅使用文本特征取得了更好的结果，并与使用解析器和语言标签特定信息的前期研究表现相似。
Read more...
本文介绍了一种名为CAF-PoNo（Causal discovery via Normalizing Flows for Post-Nonlinear models）的新方法，用于在Post-Nonlinear（PNL）因果模型中进行因果发现。PNL模型因其灵活性和适应性在复杂因果关系的建模中备受青睐，但准确捕捉模型所需的逆变性约束一直是现有研究的难题。CAF-PoNo方法利用Normalizing Flows架构来强化PNL模型中的逆变性约束，通过精确重建隐藏噪声，从而通过统计独立性测试进行因果效应识别。此外，该方法具有显著的可扩展性，能够通过因果顺序识别扩展到多变量因果发现，有效地揭示复杂的因果关系。实验结果表明，CAF-PoNo在双变量和多变量因果发现任务中均优于几种最先进的方法。
Read more...
本文介绍了一种针对乘性噪声的去噪方法，该噪声广泛存在于雷达图像、医学图像等领域。传统的去噪方法如非局部均值滤波（NLM）在处理乘性噪声时存在计算复杂度高和推理速度慢的问题。为此，研究者提出了一种基于线性注意力机制的深度非局部均值滤波（LDNLM）方法，通过深度通道卷积神经网络（CNN）提取像素邻域信息，并利用线性注意力机制替代传统的相似度计算和加权平均过程，从而实现线性复杂度的非局部去噪算法。实验结果表明，LDNLM在模拟和真实乘性噪声图像上均表现出优于现有方法的性能，同时保持了与传统NLM相近的可解释性。
Read more...
本文探讨了医学大型视觉语言模型（Med-LVLMs）在医疗诊断中的应用，特别是其在生成响应时可能出现的事实错误问题。为了提高这些模型的事实准确性，研究者提出了一种名为RULE的新方法，该方法通过校准选择检索上下文的数量和使用偏好数据集进行微调，来控制事实风险并平衡模型对内部知识和检索上下文的依赖。实验结果显示，RULE在三个医学视觉问答（VQA）数据集上平均提高了20.8%的事实准确性。
Read more...
本文探讨了临床语言模型在电子健康记录（EHR）系统中的安全漏洞，特别是针对这些模型的后门攻击。文章介绍了一种新的基于注意力的后门攻击方法BadCLM（Bad Clinical Language Models），该方法能够在模型中嵌入一个后门，使得模型在遇到特定触发器时产生错误的预测，而在其他情况下则正常工作。通过在MIMIC III数据集上的医院内死亡率预测任务中验证了BadCLM的有效性，揭示了临床决策支持系统中的一个重大安全风险。
Read more...
本文介绍了一种生物医学领域的检索增强生成（RAG）系统，旨在提高在线用户问题答案的准确性和可靠性。该系统通过微调的大型语言模型（LLM）进行参考问题回答，其中从PubMed检索的相关摘要作为输入传递给LLM的上下文。系统的输出是基于PubMed摘要的答案，每个陈述都相应地引用了来源，允许用户验证答案。与PubMed搜索引擎相比，该检索系统实现了23%的绝对改进。基于小样本的手动评估，我们的微调LLM组件在引用相关摘要方面与GPT-4 Turbo取得了可比的结果。我们公开了用于微调模型的数据集以及基于Mistral-7B-instruct-v0.1和v0.2的微调模型。
Read more...
本文介绍了一种可扩展的贝叶斯因果发现方法，该方法能够在不显式强制无环性的情况下，有效地从观测数据中学习因果图的后验分布。传统的因果发现方法在处理大规模问题时面临计算上的挑战，尤其是在确保无环性约束方面。本文提出的方法通过引入一种新颖的可微分DAG采样技术，能够高效地生成无环因果图，并通过变分推断框架学习因果图的后验分布。实验结果表明，该方法在合成数据集和真实数据集上都表现出色，优于现有的几种先进方法。
Read more...