换一把没见过的键盘,击键声仍能被还原:Decker把跨键盘精度差从约40点压到18点以内
声学侧信道攻击此前只在单一键盘、固定麦克风、安静房间且训练与测试同设备的条件下被验证,换到未见过的键盘上,强单模态与多模态基线准确率会掉约四十个百分点。Decker把键盘签名归一化、域对抗解耦、跨键盘监督对比对齐和声学风格随机化放进同一训练框架,学习对按键有区分度、对键盘与用户不变的嵌入,把跨键盘泛化差距压到十八个百分点以内,再用语言模型在候选键上做约束解码,把零散的按键预测还原成连贯文本。
声学侧信道攻击此前只在单一键盘、固定麦克风、安静房间且训练与测试同设备的条件下被验证,换到未见过的键盘上,强单模态与多模态基线准确率会掉约四十个百分点。Decker把键盘签名归一化、域对抗解耦、跨键盘监督对比对齐和声学风格随机化放进同一训练框架,学习对按键有区分度、对键盘与用户不变的嵌入,把跨键盘泛化差距压到十八个百分点以内,再用语言模型在候选键上做约束解码,把零散的按键预测还原成连贯文本。
高能物理中的喷注分类器长期以准确率为主要评价,却难以说明其判断是否对应喷注内部的辐射结构。研究者用Kolmogorov-Arnold网络(KAN)在已训练模型局部拟合扰动响应,再从代理的混合偏导提取二体、三体相互作用分数,与两点、三点能量关联函数的贡献排序做秩相关比较。在JetClass数据上,Particle Transformer的二体对齐明显为正,而标准多头注意力基线未表现出类似对齐;三体对齐两者都较弱,ParT仍更强且误差棒排除零相关。
电力系统动态仿真中,物理信息神经网络受多层感知机的频谱偏置限制,难以刻画机电振荡,而基于B样条的物理信息Kolmogorov-Arnold网络训练代价高。mac-PIKAN把线性化摇摆方程的闭式模态响应作为固定项嵌入试解,再用切比雪夫基的KAN学习一个初始时刻为零的非线性修正,从而精确满足初始转子角与转速。在单机无穷大母线基准上,其转子角与频率平均误差为0.29%和0.99%,低于PINN的1.59%和5.26%,并在更少训练数据和更低阻尼下保持优势。
已读完全部报道