Deployment protocol and base model jointly determine residual risk in rule-based clinical LLM supervision
本研究表明,基于规则的临床大语言模型(LLM)监督所存在的残余安全风险,是由部署协议(特别是交接可用性)与基座模型的失效特征共同决定的,这揭示了自动化规则合规性与实际临床充分性之间存在的关键差距。
2358 篇论文
本研究表明,基于规则的临床大语言模型(LLM)监督所存在的残余安全风险,是由部署协议(特别是交接可用性)与基座模型的失效特征共同决定的,这揭示了自动化规则合规性与实际临床充分性之间存在的关键差距。
本文证明并展示了在对称多智能体伯特兰定价博弈中,汤普森采样结合简单的模仿机制,能够以一种去中心化、无模型的方式可靠地收敛至纳什均衡,为复杂的多智能体环境提供了一种实用的强化学习方法。
本文提出了 PointCloud-ID,这是一个确定性框架,它通过在版本化配置文件下对数据进行规范化并构建属性分区的默克尔树(Merkle trees),为地理空间点云建立了稳定的身份并实现了空间局部化的完整性验证,从而将保持内容不变的重编码与实际修改区分开来。
本文提出了一种轻量级扩散增强框架,该框架结合了轻量级卷积神经网络(CNN)、基于扩散的数据增强以及知识蒸馏技术,旨在资源受限的设备上实现高性能、实时的儿童面部表情识别,并在 LIRIS-CSE 和 CAFE 数据集上超越了现有基准模型。
本文提出了 IG-COAS,这是一种通过集成 V2X 通信、动态图环境建模以及云辅助机器学习,从而提供实时、预测性碰撞风险评估与决策支持的混合协作系统,旨在增强双车道道路上的超车安全性。
本文提出了一种用于 SD-WAN 网络的两层 LSTM 框架,该框架集成了信道负载预测与关键拥塞分类,以实现主动式路由管理,并证明了其与传统方法相比具有更优的预测准确性和决策可靠性。
本文提出了一种结合 IEEE 802.11 特征协调、DANN/CORAL 对齐以及基于置信度的开集筛选的跨版本领域自适应框架,旨在通过极少的靶域标签,在不断变化的运行环境中实现高精度、实时的 Wi-Fi 入侵检测,并有效识别此前未见的攻击家族。
本文介绍了 PPSNet,一种类无关计数框架,该框架在理论上验证了“提取与匹配”(Extract-and-Match)范式,并通过采用感知先验构建模块来优化尺度分布,以及利用相似度引导权重模块来增强特征匹配,从而解决了基于边界框的视觉样本的局限性,进而实现在视觉、文本及零样本提示场景下的卓越性能。
本文引入了一种用于热红外气体分类的物理启发式 MobileNetV2 框架,该框架集成了热力学输入特征和物理惩罚损失函数,以实现高精度和混合物检测零误报,在原始性能与物理合理性之间为安全至上的应用场景提供了理想的权衡。
本文提出了一种自适应多数据集框架(AMDF),该框架通过将三个基准数据集与 Sentence-BERT 和 XGBoost 相结合,以有效地检测并过滤提示词注入(prompt injection)和越狱(jailbreak)攻击,实现了 84% 的准确率,并增强了大型语言模型(LLM)防御机制针对不断演变的威胁的泛化能力。