本文由Zixiang Wang等学者撰写，主要探讨了基于强化学习（Reinforcement Learning, RL）的自主机器人导航技术。论文提出了一种结合深度Q网络（Deep Q Network, DQN）和近端策略优化（Proximal Policy Optimization, PPO）的机器人导航方法。该方法通过机器人与环境的持续交互，利用实时反馈的奖励信号优化路径规划和决策过程，显著提升了机器人在未知环境中的导航能力和自适应学习能力。通过多轮训练和模拟实验，验证了这些模型在复杂场景中的有效性和鲁棒性。
Read more...
本文探讨了在恶劣天气条件下，激光雷达（LiDAR）语义分割性能下降的问题。传统的LiDAR语义分割方法在雨、雾、雪等恶劣天气中表现不佳，因为这些条件会导致数据失真和点云缺失。为了解决这一问题，研究者通过数据中心化的分析，确定了恶劣天气对LiDAR数据的主要影响因素：几何扰动和点云缺失。基于这些发现，文章提出了一种新的数据增强技术，包括选择性抖动（Selective Jittering, SJ）和可学习的点云缺失（Learnable Point Drop, LPD），这些技术能够在不依赖精确天气模拟的情况下，增强模型对恶劣天气的鲁棒性。实验结果表明，这种方法在SemanticKITTI-to-SemanticSTF基准测试中取得了显著的性能提升，超过了现有技术水平。
Read more...
本文由VERSES Research Lab的Ozan Çatal等人撰写，探讨了在多主体系统中通过主动推理框架进行信念共享的策略及其潜在问题。论文指出，直接共享后验信念可能导致负面社交动态，如回声室效应和自我怀疑，这些现象会显著影响代理的集体表现。为此，论文提出了一种替代策略，即共享似然信息，以避免误导性信念强化，并通过模拟验证了这一策略的有效性。
Read more...
本文探讨了在训练机器学习模型时使用差分隐私（DP）技术来缓解隐私风险的问题。DP机制通过在训练过程中添加噪声来限制信息泄露的风险，而添加噪声的规模是决定隐私与效用之间权衡的关键因素。传统的做法是根据隐私预算参数ε来选择噪声规模，然后将ε转换为操作性攻击风险（如准确性或推断攻击的敏感性和特异性）。本文提出了一种直接将噪声规模校准到所需攻击风险水平的方法，从而在保持相同隐私水平的同时显著降低噪声规模，提高模型效用。通过实证研究，本文证明了在训练隐私保护的机器学习模型时，将噪声校准到攻击的敏感性/特异性而非ε，可以显著提高模型准确性。
Read more...
本文由清华大学和中国科学院自动化研究所的研究团队提出，针对日益严重的假新闻问题，提出了一种新的多媒体研究课题——操纵推理（manipulation reasoning）。该研究不仅关注新闻的真实性分类，还深入探讨了基于新闻内容的详细伪造痕迹推理。为了支持这一研究，团队引入了一个名为“以人为中心和事实相关的假新闻”（HFFN）的基准，该基准强调人的中心性和高度事实相关性，并包含详细的手动标注。此外，研究团队还提出了一种多模态新闻检测和推理语言模型（M-DRUM），该模型不仅能判断多模态新闻的真实性，还能对潜在的操纵进行分析推理。通过全面的实验，该模型在假新闻检测和操纵推理方面表现出色，超越了现有的先进模型。
Read more...
本文由Vukan Ninkovic等人撰写，介绍了一种创新的方法，利用无人机（UAV）作为农村环境监测中物联网（IoT）系统的覆盖扩展中继。该方法通过在边缘设备、UAV和服务器之间集成分割学习（SL）策略，增强了推理机制的适应性和性能。文章主要解决了在偏远环境中IoT学习应用的连接性和资源限制问题，并通过模拟分析展示了所提方法的鲁棒性和适应性。此外，该系统模型考虑了不同的信道条件，以确定最合适的传输策略，实现系统行为的最优化。
Read more...
本文由Yuanyuan Duan等人提出，针对2.5D集成电路（ICs）中的电源分配网络（PDN）优化问题，特别是如何有效减少小信号噪声和同时开关噪声（SSN）。传统的PDN优化主要依赖于频率域分析，通过增加去耦电容器（decaps）来降低阻抗，但这种方法在处理SSN时显得不足。本文引入了一种基于深度强化学习（DRL）的两阶段优化流程，首先在频率域优化阻抗以控制小信号噪声，然后在时间域通过优化电压违规积分（VVI）来减少SSN的影响。这是首次在2.5D系统中同时处理小信号噪声和SSN的双域优化策略，显著提升了PDN设计的鲁棒性。
Read more...
本文介绍了一种基于潜在扩散模型（Latent Diffusion Model）的生成式深度学习方法，用于生成大量高分辨率的气候模拟集合。该模型通过训练大量气候模拟数据，利用变分自编码器（VAE）进行维度降低，并结合去噪扩散概率模型（DDPM）生成多个集合成员。研究验证了该模型在Max Planck Institute Grand Ensemble（MPI-GE）数据集上的有效性，表明其能够有效模拟气候变化的不确定性，显著提高气候模拟中不确定性量化的效率。
Read more...
本文介绍了一种名为“Approximate Multiplication Unit (AMU)”的高吞吐量、可扩展且能效高的非元素级矩阵乘法单元，该单元专门设计用于FPGA上的量化神经网络（QNN）加速器。AMU通过优化基于查找表（LUT）的近似矩阵乘法算法MADDNESS，实现了显著的性能提升，与现有技术相比，其吞吐量提高了9倍，能效提高了112倍。本文还探讨了AMU在不同优化策略下的性能，并展示了其在复杂神经网络推理任务中的应用前景。
Read more...
本文探讨了面部识别系统在恶意攻击下的脆弱性，特别是面部重建转移攻击（FRTA），这是一种能够在未见过的编码器上成功重建面部图像的攻击方式。传统的面部重建攻击主要针对特定的目标编码器，而FRTA则旨在生成能够跨多个未见编码器通用的面部图像。文章提出了一种名为Averaged Latent Search and Unsupervised Validation with pseudo target (ALSUV)的方法，通过优化多个潜在向量和使用无监督验证来增强攻击的泛化能力。实验结果显示，该方法在多个广泛使用的面部数据集上表现出色，有效提高了攻击成功率和对未见编码器的泛化能力。
Read more...