本文介绍了一种名为MuseBarControl的创新方法，旨在通过预训练和反事实损失增强符号音乐生成中的细粒度控制。该方法解决了现有音乐生成模型在控制音乐细节（如单个乐段的节奏和风格）方面的不足。通过引入预训练任务和反事实损失，MuseBarControl显著提高了音乐生成模型在乐段级别控制的精确度，同时保持了音乐质量。该研究不仅为音乐家和爱好者提供了更灵活的创作工具，也为自动音乐作曲领域开辟了新的应用前景。
Read more...
本文提出了一种新颖的Q-学习算法，用于解决具有有限模糊集的分布式鲁棒马尔可夫决策问题。该算法允许任意选择概率测度的模糊集，只要模糊集包含有限数量的测度。与传统的基于Wasserstein距离或Kullback-Leibler散度的模糊集不同，本文的方法允许申请者创建更符合其需求的模糊集，并通过Q-学习算法解决相关的鲁棒马尔可夫决策问题。此外，通过多个数值实验展示了该方法的可行性。
Read more...
本文介绍了一种旨在提高抽取式摘要连贯性的新方法，通过创建一个人工标注的数据集，结合自然语言用户反馈，对大型语言模型（LLMs）进行监督微调，以增强其生成的摘要的连贯性。初步实验表明，这种方法在生成连贯摘要方面取得了显著的性能提升（约10%的Rouge-L分数），并且通过用户反馈对指令调优模型进行基准测试，得出了一些有趣的发现。
Read more...
本文探讨了代码语言模型（code LMs）的内部工作机制，特别是其前馈层（feed-forward layers）的角色和影响。通过分析两个先进的代码语言模型Codegen-Mono和Polycoder，以及三种广泛使用的编程语言Java、Go和Python，研究发现较低层主要捕获语法模式，而较高层则编码抽象概念和语义。此外，本文展示了在前馈层中编辑特定概念的可行性，且不会显著影响模型的整体性能。这些发现有助于更好地理解、调试和测试代码语言模型。
Read more...
本文介绍了一种能够分类并解释硬件木马的人工智能架构。硬件木马是在集成电路（IC）设计阶段被植入的恶意电路，一旦制造完成，这些木马无法被移除或通过软件补丁轻易绕过。本文提出的解决方案基于现有的硬件木马检测特征，引入了一种可解释的方法和架构，通过使用机器学习（ML）技术，特别是在数字硬件木马检测中使用信任中心木马基准测试，实现了对硬件木马的分类和解释。该研究的前景在于提高硬件木马检测的透明度和可信度，从而增强信息安全。
Read more...
本文探讨了联邦学习（FL）中的非合作性后门攻击（NBA），这是一种新型的安全威胁。在这种攻击中，独立的恶意客户端引入特定的触发器和目标类别，利用FL的去中心化特性，使得检测变得困难。实验表明，FL系统对这种攻击非常脆弱，单个后门可以在不影响主要任务的情况下成功学习。研究强调了在不断发展的FL环境中，需要强大的防御机制来对抗多样化的后门攻击。虽然本文主要关注实证分析，但我们相信这可以指导后门研究向更现实的设置发展，并强调FL在构建对抗多样化后门威胁的强大防御中的关键作用。
Read more...
本文探讨了深度强化学习（DRL）模型在资源受限环境中的部署问题，特别是通过量化和剪枝这两种神经网络压缩方法来优化DRL模型的性能。研究团队评估了这些技术对DRL模型在平均回报、内存使用、推理时间和能源消耗等方面的影响。研究发现，尽管这些压缩技术减少了模型的大小，但并未显著提高DRL模型的能源效率。文章提供了关于模型压缩与DRL性能之间权衡的深入见解，为在资源受限环境中部署高效的DRL模型提供了指导。
Read more...
本文由Alejandro Rodriguez-Garcia等人撰写，探讨了如何通过细胞异质性和神经调节信号传递来增强人工神经网络（ANNs）的学习能力。文章指出，尽管ANNs在视觉和自然语言处理等复杂认知任务上取得了显著进展，但它们在持续学习、知识转移、鲁棒性和资源效率方面仍面临挑战。这些挑战在生物系统中却能被无缝处理。文章提出了一种生物启发框架，通过结合多室模型和尖峰神经网络（SNNs）的点神经元，来增强ANNs的学习能力。该框架旨在解决AI领域中的一些关键问题，如持续学习、适应性、鲁棒性和资源效率。
Read more...
本文介绍了一种名为并行树搜索（PTS）的新方法，用于从有限数据中自动高效地发现简洁的数学表达式。通过一系列广泛的实验，证明了 PTS 在方程发现方面的卓越准确性和效率，大大优于最先进的基线模型。
Read more...