本文由Hakan Erdol等人撰写，题为“xApp Distillation: AI-based Conflict Mitigation in B5G O-RAN”，探讨了在开放无线接入网络（O-RAN）中，机器学习（ML）驱动的近实时网络管理应用（xApps）之间可能出现的冲突问题。论文提出了一种名为xApp distillation的新方法，通过从多个xApps中提取知识并训练一个单一的、无冲突的xApp模型来解决这些冲突。该方法在性能评估中显示出比传统冲突缓解方案更高的网络稳定性和服务质量。
Read more...
本文探讨了时间序列预测模型中的成员推理攻击（MIA）问题，特别是在医疗领域中处理包含个人敏感信息的时间序列数据时的隐私风险。文章提出了一种新的方法，通过利用时间序列数据的季节性和趋势成分来增强MIA的有效性。季节性通过多元傅里叶变换估计，趋势则通过低次多项式近似。实验结果表明，这些新特征显著提高了MIA在医疗数据应用中的效果，从而加强了对时间序列模型隐私风险的评估。
Read more...
本文介绍了一种改进扩散模型训练中噪声调度的新方法。扩散模型在生成视觉信号方面已成为事实上的选择，但其训练过程中预测不同噪声水平存在挑战，需要大量迭代和计算成本。本文提出的关键见解是通过对信号噪声比（SNR）的对数进行重要性采样，等效于修改噪声调度，特别有利于在SNR对数接近零时提高采样频率，从而提高训练效率。实验证明，这种方法在ImageNet基准测试中优于标准余弦调度，并显示出对不同预测目标的持续益处。
Read more...
本文由Sunil Khadka和Liang Zhang共同撰写，提出了一种利用大型语言模型（LLM）来解决建筑管理系统（BMS）数据驱动建模中的可扩展性问题的方法。文章指出，传统的BMS数据处理和模型开发过程需要大量的人工操作，这不仅耗时耗力，而且成本高昂。为了解决这一问题，作者提出了一种基于LLM的自动化方法，通过生成处理BMS结构化数据的代码，自动构建数据驱动模型，从而减少人工干预，提高效率和模型的准确性。文章通过案例研究展示了这种方法的有效性，特别是在减少人工劳动成本和提高代码生成准确性方面取得了显著成果。
Read more...
本文探讨了在大型平台上使用多智能体强化学习（MARL）进行多场景优化的问题。文章将搜索、推荐和广告等场景视为一个合作性的、部分可观测的多智能体决策问题，并引入了多智能体循环确定性策略梯度（MARDPG）算法，该算法通过共享目标和策略通信来提升整体性能。研究结果显示，该方法在点击率（CTR）、转化率和总销售额等指标上取得了显著改进，证实了其在实际应用中的有效性。
Read more...
本文由Elie Aljalbout等人撰写，探讨了机器人学习中基于动作空间的选择对学习策略及其在真实世界应用的影响。文章指出，当前机器人学习方法主要集中在以运动为中心的动作空间，这些空间并未明确赋予策略对交互的控制能力。本文通过分析一个简单的1D推动示例，展示了这种动作空间的局限性，并提倡采用更明确的交互动作空间，以适应更广泛的应用需求。
Read more...
本文介绍了在Kaggle的Image Matching Challenge中，针对3D图像重建问题所开发的一种先进的集成技术。该技术在私有排行榜上获得了0.153449的分数，位列160名，展示了其在处理复杂图像匹配和重建任务中的有效性。论文不仅介绍了这一解决方案，还对竞赛中表现优异团队的现有方法和技术进行了全面回顾，为未来的参与者提供了宝贵的知识和见解。
Read more...
本文探讨了大型语言模型（LLMs）在习语翻译中的能力提升问题。习语翻译一直是LLMs面临的挑战，因为习语深植于文化背景中，直接翻译往往丢失了原文的文化和情感内涵。本文提出了一种新的方法——余弦相似度查找法，通过比较习语的语义相似度来选择最佳的翻译习语，以保留原文的习语风格和文化细节。此外，本文还开发了一个低资源语言（如乌尔都语）的习语数据集，展示了该方法在跨文化交流中的应用潜力。
Read more...
本文介绍了一种结合人工智能控制系统与人类决策支持的新方法，通过增强系统的鲁棒性和关键性分析，旨在提高AI在实际应用中的决策准确性和安全性。文章提出了一种扩展的对抗性解释（AE）方法，并将其应用于最先进的强化学习框架，如MuZero。通过引入战略相似自编码器（SSA）和安全边际分析，文章展示了如何利用这些技术来提高智能决策工具的性能，并通过人类交互不断改进AI控制系统的准确性和鲁棒性。此外，文章还探讨了这些技术在智能决策支持和训练/学习框架中的应用前景。
Read more...
本文探讨了在5G及超越V2X网络中利用联邦学习进行零日攻击检测的问题。随着连接和自动化车辆（CAVs）在5G网络中的部署，它们面临着日益增长的网络安全和隐私攻击风险。传统的基于监督学习的入侵检测系统（IDS）存在无法检测未见过的攻击（即零日攻击）的局限性。此外，这些系统需要大量数据收集和标记，增加了通信开销并引发隐私担忧。本文提出了一种新的检测机制，利用深度自动编码器方法仅基于良性网络流量模式来检测攻击。通过联邦学习，该入侵检测系统可以在保护CAVs隐私的同时，利用大量多样化的良性网络流量进行训练，并最小化通信开销。实验结果表明，该系统在保持低误报率的同时，实现了高检测率和短检测延迟。
Read more...