大模型智能体自己写物理残差检测器:BATADAL测试攻击F1从0.504升到0.878
面向信息物理系统的运行时攻击检测,PIA让大语言模型智能体根据设备说明和正常运行数据写出泵特性、储罐质量平衡、控制器逻辑等物理残差,并在部署前用评测工作台逐条检验。在BATADAL配水网络攻击基准的测试攻击上,PIA配Claude Opus 5.5取得F1 0.878,而六种统计与深度基线中最强的一种为0.504;消融显示,不让智能体用数据检验假设会使F1最多下降0.28。
面向信息物理系统的运行时攻击检测,PIA让大语言模型智能体根据设备说明和正常运行数据写出泵特性、储罐质量平衡、控制器逻辑等物理残差,并在部署前用评测工作台逐条检验。在BATADAL配水网络攻击基准的测试攻击上,PIA配Claude Opus 5.5取得F1 0.878,而六种统计与深度基线中最强的一种为0.504;消融显示,不让智能体用数据检验假设会使F1最多下降0.28。
MODIS像素常覆盖一整块或数块农田,粗信号是多种作物的混合,直接由粗到细分类难以稳定。UnMixMamba把解混得到的丰度场作为共享中间量,让重建、分类和稀疏细化都读同一组分数,并用可学习的每类端元变体吸收类内光谱差异。在阿尔伯塔2015年183个空间分块测试片上,它取得OA 0.8397、mIoU 0.6640、AA 0.7837、Kappa 0.7715,高于ST-DRes等基线,大麦召回率0.5496为对比中最高;任务限定在已知农业掩膜内的四类作物闭集制图。
可训练的脉冲神经网络此前把能耗当作与突触类型无关的通用惩罚,而皮层中谷氨酸能传递的ATP开销明显高于GABA能传递。把这一成本不对称作为拉格朗日惩罚嵌入代理梯度训练,在遵循Dale定律的循环微回路上训练后,单一标量惩罚自动对兴奋通路施加更强梯度压力。在Spiking Heidelberg Digits基准上,无惩罚网络收敛到70.9%的抑制主导状态,轻度代谢压力下准确率升至79.5%,同时每样本能耗从86,519 ATP单位降到16,019。
医学影像基础模型长期在“通用”与“像素级精确”之间取舍,且多数只输出结论、不交代依据。EVLF-FM 把疾病级与像素级两路视觉特征同时送入语言模型,先做监督微调,再用带可验证奖励的强化学习对齐推理与定位,覆盖皮肤科、肝病、眼科、病理、呼吸与放射六个专科、10 种成像模态。内部诊断验证中其平均准确率 0.895,为所比模型中最高;在 9 种模态的医学视觉定位上平均 Acc@0.5 为 0.842。
美式双重Heston模型的定价难点在于提前行权边界本身未知,边界与期权价值必须一起求解。一种把多个子网络输出相乘组合的深度学习方案,在固定提前行权边界后,用一次训练同时预测提前行权边界、价值函数和一阶、二阶希腊值的曲面。在常数利率与随机利率两种设定下,其价值函数与渐近展开法、最小二乘蒙特卡洛等已有结果做了数值对照。
作者提出 RRM-GPT,一个把无线资源管理决策当作语言逐字段生成的自回归框架:编码器将异构网络观测映射为统一 token,解码器按网络状态与已生成字段依次输出决策;在 5G NR 案例中,单一模型生成涵盖用户选择、时序、链路自适应、资源分配与控制信令的完整调度授权,并无需适配即把所学行为迁移到未见过场景。
该工作提出融合MAE、JEPA与SimCLR三种自监督目标表示的框架,并设计共享主干加目标专用分支的多分支架构,在约25000个频谱图与CSI样本上预训练后,于通信、感知与定位六个下游任务中,等输出维度下融合在全部六项任务上优于所评估的单目标编码器且参数约为其三分之一,多分支架构在单编码器参数预算内保留了大部分融合收益,表示分析显示各目标贡献互补且增益多保留在与MAE表示子空间正交的分量中。
一个由41位国际多学科专家组成的工作组系统检索了截至2025年3月17日的922篇文献,将2016年仅针对特发性肺纤维化(IPF)的急性加重(AE)定义修订为适用于全部纤维化间质性肺病(fILD)的AE-fILD定义(以弥漫性肺泡损伤为核心,伴或不伴机化性肺炎),并提出“急性呼吸恶化(ARW)”这一更广的概念框架以涵盖非DAD所致的急性呼吸恶化,同时汇总了流行病学、危险因素、预后与治疗证据,并讨论了AE作为临床试验终点的可行性。
该研究采用三轮改良德尔菲法,由45名糖尿病、肥胖和/或进食障碍领域的临床医生与研究者以及有亲身经历者组成的小组,就GLP-1受体激动剂在进食障碍情境下的使用达成平均91.7%的共识,提出用药前筛查、按风险分层监测、标准化教育材料、合并循证心理治疗等临床建议,并明确在活动性进食障碍(尤其厌食症、非典型厌食症及伴明显饮食限制和/或显著体重抑制的贪食症)中一般应避免使用GLP-1受体激动剂,同时列出流行病学、监管与暴食障碍临床试验的研究优先事项。
该研究提出 MergeRepair 框架,在 CommitPackFT 的 Python 子集(59,113 条样本,其中 Bug Fixes/APR 占 19.02%)上为 Development、Bug Fixes、Misc、Test & QA、Improvement 五个任务各训练一个 LoRA 适配器,用 weight-averaging、ties、dare-ties 三种方法做等权合并,并提出按顺序逐步合并的 continual merging;在 StarCoder2 与 Granite 两个 3B 代码模型上以 HumanEvalFix 的 pass@1/pass@10 评估,结果显示合并适配器可在不额外训练的情况下提升 APR 表现,例如 Sta