跳到主要内容
检索

Leiden University

7 篇关联报道

订阅更新
  1. arXiv

    第三方技能只改几条判定规则:智能体照常执行却答错,多数扫描器没拦住

    公开技能注册表里的第三方技能,正被一种只改判定规则、不改任务和接口的投毒方式利用。StealthyPoison 在拿不到真实用户请求和标准答案的情况下,用合成请求和替身智能体的干净执行结果作参照,迭代改写公式、阈值和分支等关键规则。在 566 个合格技能、5,244 条请求、超过 26,000 条注册表条目的评测中,冻结后的投毒技能在三个留出模型上取得 31.0%–31.9% 的微平均攻击成功率,与替身模型的 32.9% 接近。

  2. arXiv

    子群发现不再把支持度折进分数:AtomSD在任意支持阈值下直接给出最偏离子群

    子群发现长期把“偏离多大”和“覆盖多少人”压成一个加权分数,用户给定最小支持度后往往找不到对应的最偏离子群。AtomSD把问题改写为对有限个同质区域(原子)的选取:理论上每个支持阈值下的最优子群都是若干完整原子加至多一个部分原子。在19个UCI基准数据集上,它在5个支持阈值下取得1.25的平均排名、95个数据集与阈值组合中78次最优,并可作为后处理改进四种已有方法返回的子群。

  3. arXiv

    科研智能体不再各自为战:共享研究状态让失败实验变成下一个智能体的起点

    科研智能体集群的自我改进不再只靠单个智能体反复试错。此前,失败的实验无法说明是假设错了还是实现错了,整体得分不高的程序里也可能藏着别的智能体需要的组件。SwarmRSI把假设、程序和实验证据作为可继承的研究状态放进共享图,用其他智能体的反馈决定改假设还是修程序,并让保留的假设在别的程序上重测、把互补组件组合起来。在OpenProblems上平均分达76.2,在NatureBench上44.4%的任务追平已发表SOTA,为对比方法中最高;MLE-Bench Lite上81.8%的任务获奖。

  4. arXiv

    记忆检索不再只看整句向量:复用冻结编码器的词元状态,Qwen3-4B 平均 Recall@10 从 62.5 升到 75.7

    记忆检索不再只比整句向量:复用冻结编码器已算出的词元状态做稀疏匹配,再与整句相似度融合,Qwen3-Embedding-4B 上平均 Recall@10 从 62.5 升到 75.7,且无需额外训练。

  5. arXiv

    机器学习模型用于序列条件独立性检验:误差分解揭示交换性检验为何在实践中更有效

    该工作针对条件独立性检验中机器学习模型难以融入对数最优e变量设计的问题,将误差分解为原假设扩大、近似与估计误差,解释了理论上更弱的交换性检验为何在实践中反而更有功效,并探索介于model-X条件独立与交换性之间的中间原假设以降低这些误差,同时给出支持三重稳健性的估计误差界。

  6. arXiv

    用 SHAP 与 νSHAP 剖析 Heston 与 rough Heston 的神经校准映射,发现短期限与微笑两翼主导参数推断,并据此压缩 rough Heston 的输入维度而保持校准精度

    该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法,分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射,发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定,并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。

  7. arXiv

    用流匹配做稀疏视角CT重建:复用速度场把网络评估次数降到7次,重建质量仍与扩散模型相当

    作者提出首个基于流匹配(Flow Matching)的CT重建框架FMCT及其高效变体EFMCT,利用流匹配的确定性ODE采样与数据一致性校正天然兼容、且相邻步预测速度场高度相关的特点,在连续步中复用已算出的速度场以减少神经网络函数评估次数(NFE),并给出理论分析表明复用引入的误差与欧拉离散化同阶、在有限复用步数下累积误差受控;在AAPM与Medical Segmentation Decathlon两个公开CT数据集、20视角与40视角平行束稀疏采样下,FMCT/EFMCT的PSNR/SSIM与扩散类方法相当,而NFE与计算时间显著更低(如AAPM 40视角EFMCT为7次NFE、0.83秒,相对最

已读完全部报道