Kill it with FIRE: On Leveraging Latent Space Directions for Runtime Backdoor Mitigation in Deep Neural Networks
Humboldt University of Berlin, Germany（柏林洪堡大学）；Ruhr University Bochum, Germany（波鸿鲁尔大学）
FIRE通过利用潜在空间方向在深度神经网络中缓解运行时后门漏洞，具有低计算开销并优于现有方法。
2026-02-11 cs.AI cs.CR cs.CV
DeepSetNet: Predicting Sets with Deep Neural Networks
School of Computer Science, The University of Adelaide（阿德莱德大学计算机科学学院）
本文讨论了使用深度学习进行集合预测的任务。这一点很重要，因为许多计算机视觉任务的输出，包括图像标记和目标检测，都自然地表示为实体集而不是向量。与向量相反，集合的大小不是预先固定的，并且它对其中实体的排序是不变的。我们定义了集合分布的可能性，并使用深度神经网络学习其参数。我们还推导出一个损失预测的离散分布对应的集基数。集合预测在多类图像分类问题上得到了证明。此外，我们表明，建议的基数损失也可以平凡地应用到对象计数和行人检测的任务。在标准数据集上，我们的方法在所有三种情况下都优于现有方法。
2017-08-11 cs.AI cs.CV cs.LG
RaMP: Runtime-Aware Megakernel Polymorphism for Mixture-of-Experts
Hippocratic AI
RaMP通过运行时感知的调度框架优化混合专家推理，基于硬件常数分析性能区域，实现高效内核配置，提升推理速度1.22倍，优于静态调度和多个现有系统。
2026-11-03 cs.AI cs.DC cs.LG
Predicting Sleeping Quality using Convolutional Neural Networks
Northumbria University（诺森比亚大学）
识别睡眠阶段和模式是诊断和治疗睡眠障碍的重要组成部分。随着智能技术的进步，可以轻松捕获与睡眠模式相关的传感器数据。在本文中，我们提出了一个卷积神经网络（CNN）架构，提高了分类性能。特别是，我们在3个公开的睡眠数据集上对不同方法的分类性能进行了基准测试，包括传统的机器学习方法，如逻辑回归（LR），决策树（DT），k-最近邻（k-NN），朴素贝叶斯（NB）和支持向量机（SVM）。准确性，灵敏度，特异性，精确度，召回率和F分数的报告，并将作为一个基线，以模拟在这个方向的研究在未来。
2022-04-24 cs.AI cs.CV cs.LG
EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs
École Polytechnique（巴黎综合理工学院）；AUEB（雅典经济与商业大学）
近年来，针对图等结构化数据的神经网络得到了广泛的研究。迄今为止，大部分的研究活动主要集中在静态图。然而，大多数现实世界的网络是动态的，因为它们的拓扑结构往往会随着时间的推移而变化。预测动态图的演化是图挖掘领域的一项重要任务。尽管这一任务具有实际重要性，但迄今为止尚未对其进行深入探讨，主要原因是其具有挑战性。在本文中，我们提出了一个模型，预测动态图的演变。具体来说，我们使用一个图神经网络以及一个经常性的架构来捕捉动态图的时间演化模式。然后，我们采用一个生成模型，预测在下一个时间步的图的拓扑结构，并构建一个图的实例，对应于该拓扑结构。我们在几个人工数据集上评估了所提出的模型，这些数据集遵循常见的网络演化动态，以及真实世界的数据集。结果表明了该模型的有效性。
2020-03-02 cs.AI cs.LG cs.SI
SMILES2Vec: An Interpretable General-Purpose Deep Neural Network for Predicting Chemical Properties
PNNL（太平洋西北国家实验室）
化学数据库以文本形式存储信息，SMILES格式是许多化学信息学软件中使用的通用标准。每个SMILES字符串中编码的是可用于预测复杂化学性质的结构信息。在这项工作中，我们开发了SMILES2vec，这是一种深度RNN，可以自动从SMILES中学习特征来预测化学性质，而不需要额外的显式特征工程。使用贝叶斯优化方法来调整网络架构，我们表明，优化的SMILES2vec模型可以作为一个通用的神经网络，用于预测不同的化学性质，包括毒性，活性，溶解度和溶剂化能，同时也优于当代MLP神经网络，使用工程功能。此外，我们展示了概念证明的可解释性，通过开发一个解释面具，本地化的最重要的字符用于作出预测。当在溶解度数据集上进行测试时，它识别出了化学品的特定部分，与已建立的第一原理知识一致，准确率为88%。我们的工作表明，神经网络可以学习技术上准确的化学概念，并提供最先进的准确性，使可解释的深度神经网络成为与化学工业相关的有用工具。
2018-03-18 cs.AI cs.CL cs.LG
A System for Predicting Subcellular Localization of Yeast Genome Using Neural Network
L.B.S College of Engineering（L.B.S工程学院）；National Institute of Technology Karnataka（卡纳塔克邦国家理工学院）
蛋白质的亚细胞位置可以提供关于其功能的有价值的信息。随着测序基因组数据的快速增长，对自动化和准确的工具来预测亚细胞定位的需求变得越来越重要。人们已经做了很多努力来预测蛋白质的亚细胞定位。本文旨在将人工神经网络与生物信息学相结合，预测蛋白质在酵母基因组中的位置。我们介绍了一种新的基于反向传播神经网络的亚细胞预测方法。结果表明，该系统的预测误差在5 ~ 10%以内。
2007-10-11 cs.AI cs.NE
Predicting Hurricane Trajectories using a Recurrent Neural Network
Florida International University（佛罗里达国际大学）；Ganzfried Research（甘茨弗里德研究公司）
飓风是一种围绕一个确定的中心循环的气旋，其封闭风速超过75英里/小时，起源于热带和亚热带水域。飓风登陆时会造成严重的灾害。准确预测其轨迹路径对于减少经济损失和拯救人类生命至关重要。考虑到天气数据的复杂性和非线性，循环神经网络（RNN）可能有助于对飓风行为进行建模。我们提出了一个完全连接的RNN的应用程序来预测飓风的轨迹。我们在细网格上使用RNN来减少典型的截断误差。我们利用国家飓风中心（NHC）公开提供的纬度，经度，风速和压力来预测每隔6小时的飓风轨迹。结果表明，该技术是有竞争力的，目前采用的方法由NHC和可以预测长达约120小时的飓风路径。
2018-09-12 cs.AI cs.CY cs.LG
Neural Networks for Predicting Human Interactions in Repeated Games
Hebrew University of Jerusalem（希伯来大学）
我们考虑的问题，预测人类球员的行动，在重复的战略互动。我们的目标是预测个体玩家在以前看不见的游戏中的动态逐步行为。我们研究了神经网络执行这种预测的能力以及它们所需的信息。我们在人类参与者实验的标准形式游戏数据集上显示，标准神经网络能够学习函数，这些函数比行为经济学建立的模型更准确地预测玩家的行为。该网络在预测精度和交叉熵方面优于其他模型，并产生更高的经济价值。我们表明，如果可用的输入是只有一个短序列的发挥，经济信息的游戏是重要的预测人类代理的行为。然而，有趣的是，我们发现，当网络使用足够长的游戏历史序列进行训练时，基于动作的网络表现良好，关于游戏的额外经济细节并没有提高它们的性能，这表明动作序列编码了足够的信息，可以成功完成预测任务。
2019-11-08 cs.AI cs.GT
NeuType: A Simple and Effective Neural Network Approach for Predicting Missing Entity Type Information in Knowledge Bases
University of Stavanger（斯塔万格大学）
知识库存储关于实体的语义类型的信息，这些信息可以在一系列信息访问任务中使用。然而，由于每天都有新的实体出现，这些信息往往不完整。我们解决的任务，自动分配类型的实体在知识库中的类型分类法。具体来说，我们提出了两个神经网络架构，它采取简短的实体描述，并可选地，有关实体的信息作为输入。使用DBpedia知识库进行实验评估，我们证明了这些简单的架构产生显着的改进，目前的最先进的。
2019-07-05 cs.AI cs.CL cs.IR
ANIRA: An Architecture for Neural Network Inference in Real-Time Audio Applications
针对现有神经网络推理工具难以满足实时音频需求的问题，提出跨平台库anira，通过解耦推理与音频回调缓解实时性违规，经基准测试验证不同模型适配的最优推理引擎。
2025-06-14 cs.AI cs.LG cs.SD
Neural Control and Certificate Repair via Runtime Monitoring
Institute of Science and Technology Austria（奥地利科学技术研究所）；Singapore Management University（新加坡管理大学）
本文提出一种利用运行时监控检测违规行为并生成新训练数据，以修复黑盒环境中神经网络控制策略与证书函数的方法，并在两个自主控制任务上提升了安全率。
2024-12-17 cs.AI cs.LG
Gated Uncertainty-Aware Runtime Dual Invariants for Neural Signal-Controlled Robotics
Oxford Robotics Institute (ORI)（牛津机器人研究所）；Department of Engineering Science（工程科学系）；University of Oxford（牛津大学）
GUARDIAN通过结合校准置信度的脑信号解码与符号目标接地和双层运行时监控，实现神经信号控制机器人系统的高安全性和可靠性。
2025-11-25 cs.AI cs.HC cs.LG
Developing an Optimal Model for Predicting the Severity of Wheat Stem Rust (Case study of Arsi and Bale Zone)
Arba Minch University（阿尔巴明奇大学）
本研究使用BPNN、RBFNN和GRNN三种人工神经网络预测小麦秆锈病严重程度，发现GRNN预测有效且训练时间更短，且总季节降雨量促进病害发展。
2024-02-16 cs.AI cs.LG
Debugging and Runtime Analysis of Neural Networks with VLMs (A Case Study)
University of Toronto（多伦多大学）；KBR Inc.（KBR公司）；NASA Ames（艾姆斯研究中心）；Carnegie Mellon Univ.（卡内基梅隆大学）；VMware Research（威睿研究院）；Colorado State University（科罗拉多州立大学）；SRI International（SRI国际公司）
针对深度神经网络调试难的问题，提出基于VLM的语义热图与差分热图实现故障定位，搭配轻量运行时分析检测缺陷，在ResNet-RIVAL10模型上验证了有效性。
2025-03-21 cs.AI cs.LG cs.SE
Predicting Geographic Information with Neural Cellular Automata
Stanford University（斯坦福大学）
本文提出了一种新的框架，利用神经元自动机（NCA）的地理信息再生和预测。该模型扩展了使用NCA生成/再生特定图像的思想，通过使用各种地理数据训练模型，因此，以交通状况地图为例，该模型能够通过给出一定的诱导信息来预测交通状况。我们的研究验证了NCA与生物学中基因的相似性，而模型的创新大大拓宽了基于NCA的可能应用的边界。从我们的实验结果来看，该模型在其可用性和通用性方面显示了巨大的潜力，这是以前的研究所没有的。模型实现的代码可以在https：//redacted上找到。
2020-09-20 cs.AI cs.CV cs.LG
Algorithm Runtime Prediction: Methods & Evaluation
University of British Columbia（不列颠哥伦比亚大学）
也许令人惊讶的是，使用机器学习技术来构建算法运行时的模型，作为特定于问题的实例特征的函数，可以预测算法在以前看不见的输入上运行多长时间。这些模型在算法分析、基于组合的算法选择以及参数化算法的自动配置等方面有着重要的应用。在过去的十年中，已经研究了各种各样的技术来建立这样的模型。在这里，我们描述了现有模型的扩展和改进，新的模型家族，以及-也许最重要的-更彻底的处理算法参数作为模型输入。我们还全面描述了新的和现有的功能预测算法运行时的命题可满足性（SAT），旅行推销员（TSP）和混合整数规划（MIP）的问题。我们评估这些创新，通过最大的实证分析，比较广泛的运行时建模技术的文献。我们的实验考虑了11种算法和35种实例分布;它们也涵盖了非常广泛的SAT、MIP和TSP实例，其中结构化程度最低的是随机均匀生成的，而结构化程度最高的是从实际工业应用中产生的。总的来说，我们证明了我们的新模型产生更好的运行时预测比以前的方法在其推广到新的问题实例，新的算法从参数化空间，并同时。
2013-10-26 cs.AI cs.LG cs.PF
EmotionGIF-IITP-AINLPML: Ensemble-based Automated Deep Neural System for predicting category(ies) of a GIF response
National Institute of Technology, Durgapur（杜尔加布尔国家技术学院）；Indian Institute of Technology Patna（印度理工学院巴特那分校）
在本文中，我们描述了我们的IITP-AINLPML团队在SocialNLP 2020的共享任务中提交的系统，该任务是预测给定未标记推文的GIF响应的类别。对于任务的第一轮阶段，我们提出了一个基于注意力的双向GRU网络，该网络在tweet（文本）及其回复（文本）以及给定的GIF响应类别上进行训练。在第二轮阶段，我们为任务构建了几个基于深度神经的分类器，并通过基于多数投票的集成技术报告最终预测。我们提出的模型在第1轮和第2轮分别获得了52.92%和53.80%的最佳平均召回（MR）分数。
2020-12-23 cs.AI cs.CL
Neural Predicting Higher-order Patterns in Temporal Networks
Purdue University（普渡大学）；Peking University（北京大学）
由一组相互作用的元素组成的动态系统可以抽象为时态网络。最近，高阶模式，涉及多个相互作用的节点已被发现至关重要的领域特定的法律，不同的时间网络。这给我们提出了为这些高阶模式设计更复杂的超图模型和相关的新学习算法的挑战。在这里，我们提出了第一个模型，名为HIT，时间超图的全谱高阶模式预测。特别是，我们专注于预测三种类型的共同的，但重要的互动模式，涉及三个相互作用的时间网络中的元素，这可以扩展到更高阶的模式。HIT在时间超图上提取感兴趣的节点三元组的结构表示，并使用它来告诉什么类型，何时以及为什么交互扩展可能发生在这个三元组中。HIT可以实现显着的改善（平均20%的AUC增益，以确定相互作用类型，统一更准确的时间估计）相比，启发式和其他基于神经网络的基线上5个真实世界的大时间超图。此外，HIT通过识别时间超图上最具歧视性的结构特征来预测不同的高阶模式，从而提供了一定程度的可解释性。
2022-01-17 cs.AI cs.SI
