随着区块链技术和智能合约被广泛采用，在交易过程的每个阶段确保它们至关重要。提高智能合约安全性的关注是使用经典机器学习（ML）模型和微调的大语言模型（LLM）查找和检测漏洞。此类工作的鲁棒性在于一个标有智能合约数据集，其中包括带注释的漏洞，其中有几个LLM以及各种传统的机器学习算法（例如Distilbert模型）经过培训和测试 ...
区块链技术的不变性虽然革命性却引入了重大的安全挑战，尤其是在智能合约中。这些安全问题可能会导致重大财务损失。当前的工具和方法通常集中于特定类型的漏洞 ...
本文提出了将语音分离和增强（SSE）集成到ESPNET工具包中的最新进展。与以前的ESPNET-SE工作相比，已经添加了许多功能，包括近期最新的语音增强模型以及各自的培训和评估食谱。重要的是，已经设计了一个新界面，以灵活地将语音增强前端与其他任务相结合，包括自动语音识别（ASR），语音翻译（ST）和口语理解（SLU） ...
由于自我注意的二次复杂性，视觉 Transformer （VIT）和视觉模型（VLM）的计算需求仍然是一个重大挑战。尽管 Token 修剪提供了一个有希望的解决方案，但现有方法通常会引入培训开销，或者无法在各个层中动态适应。我们提出了Saint，这是一个无训练的 Token 修剪框架，利用 Token 相似性和基于图的公式，以动态优化修剪率和冗余阈值 ...
数据Shapley提供了一个原则上的框架，用于将数据贡献归因于机器学习环境。但是，现有的方法需要对不同数据子集进行重新训练模型，这在计算密集型集中取消了其对大规模模型的应用。此外，它们为通过运行学习算法产生的任何模型产生相同的归因分数，这意味着他们无法对从算法的单个运行中获得的特定模型执行有针对性的归因 ...
在本文中，我们提出了混合QVIT，这是一种以解释性为导向的MPQ框架，该框架系统地将位宽度分配给每个层，根据两个标准：层重要性评估，通过层面相关性传播（LRP）进行评估，该层通过对最终的分类和量化量的量化，以确定每个层的效率，并确定各种层面的效果，并确定各种层次的效果，并确定各种量化的效果，以确定各种量化的效果，并确定量化的效果，并确定量化的效果，并确定量化的效果，并确定量化的效果。此外，对于培训 ...
我们提出了一种使用有限的数据源生成α哑光的方法。我们在肖像数据集上预算了一种新颖的基于 Transformer 的模型（Stylematte）。我们利用此模型为基于stylegan3的网络（Stylemattegan）提供图像面罩对 ...
本文介绍了Artemis，这是一种端到端的自动驾驶框架，将自回归轨迹计划与Experture（MOE）结合在一起。传统的模块化方法患有错误传播，而现有的端到端模型通常采用静态的一弹性推理范例，而这些推理范式不足以捕获环境的动态变化。 Artemis通过顺序生成轨迹航路点来采用不同的方法，保留关键的时间依赖性，同时动态路由特定于场景的查询到专门的专家网络 ...
