由于缺陷样本的稀缺性和不可预测的性质，工业异常检测（IAD）主要采用无监督的学习。但是，所有无监督的IAD方法都面临着一个共同的挑战：普通样本中的固有偏见，这会导致模型专注于可变区域，同时忽略不变区域的潜在缺陷。为了有效克服这一点，必须分解和重新校准注意力，指导模型以抑制无关紧要的变化并集中于微妙的，缺陷敏感的区域 ...

卷积神经网络（CNN）吸引了研究人员对使用枪口图像识别牛的注意。但是，CNN通常无法在枪口的复杂模式中捕获长期依赖性。 Transformer 应对这些挑战 ...

检索增强生成 (RAG) 系统通过集成外部知识源来增强大型语言模型 (LLM)，从而针对用户查询提供更准确且与上下文相关的响应。然而，这些系统仍然容易受到语料库中毒攻击，这些攻击可能会通过注入恶意内容而显着降低 LLM 的性能。为了应对这些挑战，我们提出了 TrustRAG，这是一个强大的框架，可以在受损和不相关的内容到达语言模型之前系统地对其进行过滤 ...

自适应网络非常适合执行分散的信息处理和优化任务，并对自然界中遇到的各种类型的自组织和复杂行为进行建模。自适应网络由具有处理和学习能力的代理集合组成。代理通过连接拓扑连接在一起，并通过本地交互相互协作，实时解决分布式优化、估计和推理问题 ... ...

基于深度学习的脆弱性检测表现出了出色的性能，并且在某些研究中，表现优于静态分析工具。但是，表现最高的方法使用了基于 Token 的 Transformer 模型，这不是捕获漏洞检测所需的代码语义的最有效效率。经典程序分析技术（例如数据流分析）可以根据其根本原因检测许多类型的错误 ...

以前的无监督异常检测（UAD）方法通常难以处理训练集的广泛多样性，尤其是当它们包含风格多样和功能丰富的样品时，我们将其归类为富特征的异常检测数据集（FRADS）。在多视图和多级场景等应用中，这一挑战显而易见。为了应对这一挑战，我们开发了Minimaxad，这是一种轻巧的自动编码器，旨在有效地压缩和记住正常图像中的广泛信息 ...

大型基础模型已经对视力和语言中复杂问题的复杂问题表现出强烈的开放性概括，但是在机器人技术中尚未实现相似的概括水平。一个基本的挑战是缺乏机器人数据，这些数据通常是通过昂贵的机器人运营来获得的。一种有希望的补救措施是利用便宜，偏离的数据，例如无动作视频，手绘草图或仿真数据 ...

天然和栩栩如生的运动仍然是人形机器人与人类社会互动的基本挑战。但是，以前的方法要么忽略运动自然性，要么依赖不稳定和模棱两可的风格奖励。在本文中，我们提出了一种新颖的生成运动先验（GMP），该运动为天然类人形机器人运动的任务提供了细粒度的运动水平监督 ...