高校专区
扩散模型更安全，但受上下文影响而失效：扩散大语言模型的安全祝福及其失效模式
机构 * Torr Vision Group, University of Oxford（牛津大学Torr视觉组） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 研究探讨了扩散大语言模型（D-LLMs）在生成效率上的优势及其安全特性，发现其扩散生成方式增强了对对抗攻击的抵抗力，但存在上下文嵌套等失效模式，首次成功突破Gemini Diffusion的安全防线。
LaVR：基于大规模4D重建模型的场景潜在条件生成视频轨迹重绘
机构 * Meta ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出LaVR模型，通过利用大规模4D重建模型的潜在空间中的隐式几何知识，解决视频重绘中几何未条件化模型的空间感知不足和几何条件化模型对深度不准确的依赖问题，实现状态-of-the-art结果。
变换器可以解决连续时间下的非线性和非马尔可夫过滤问题，条件为高斯信号
机构 * Department of Mathematics, University of Oxford（牛津大学数学系） ； Oxford Man Institute for Quantitative Finance, University of Oxford（牛津大学牛津曼量化金融研究所） ； Department of Mathematics, McMaster University（麦克马斯特大学数学系） ； Vector Institute（向量研究所）
AI总结 本文提出filterformers模型，通过自定义注意力机制近似实现非马尔可夫且条件高斯信号过程的条件分布，解决了随机过滤问题的理论基础。
所有替代都是局部的
机构 * Independent Researcher（独立研究员） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究信息源如何影响决策价值，发现局部边界决定替代性，非边界处信息协作。
Sven：奇异值下降作为计算高效的自然梯度方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； The NSF Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所） ； University of Oxford（牛津大学） ； Institut des Hautes Études Scientifiques（高等科学研究所） ； CEA Paris-Saclay（巴黎-萨克雷CEA）
AI总结 Sven是一种基于损失函数自然分解的神经网络优化算法，通过截断奇异值分解实现高效参数更新，优于传统自然梯度方法，在回归任务中优于Adam，且比LBFGS更高效。
超越拉普拉斯和高斯：探索通用高斯机制用于隐私机器学习
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文研究了通用高斯机制在隐私保护机器学习中的应用，证明其满足差分隐私，并在PATE和DP-SGD中验证了其有效性，表明高斯机制在可计算范围内表现优异。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈