Automatic Calibration for Membership Inference Attack on Large Language Models
Department of Computer Science, Wayne State University（韦恩州立大学计算机科学系）；Department of Computer Science, Oakland University（奥克兰大学计算机科学系）
本文提出自动校准成员推断攻击框架ACMIA，通过可调温度校准输出概率并扩大成员与非成员概率差距，在多种模型访问级别下提升成员推断的可靠性，并在多个基准上超越现有方法。
2025-05-06 cs.AI cs.LG
HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction
Huazhong Agricultural University（华中农业大学）；College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）
动机：确定药物-靶标相互作用（DTI）是药物重新定位的关键步骤。近年来，大量基因组学和药理学数据的积累形成了海量的药物和靶点相关异构网络（HN），这为开发基于HN的计算模型以准确预测DTI提供了新的契机。HN包含了大量关于DTI的有用信息，但也包含了无关的数据，如何充分利用异构网络仍然是一个挑战。结果：本文提出了一种基于异构图自动元路径学习的DTI预测方法（HampDTI）。HampDTI从HN中自动学习药物和靶标之间的重要元路径，并生成元路径图。对于每个元路径图，从药物分子图和靶蛋白序列中学习的特征作为节点属性，然后设计一个有效考虑节点类型信息（药物或靶）的节点类型特定图卷积网络（NSGCN）来学习药物和靶的嵌入。最后，从多个元路径图的嵌入相结合，以预测新的DTI。基准数据集上的实验表明，我们提出的HampDTI实现了优越的性能相比，国家的最先进的DTI预测方法。更重要的是，HampDTI识别了DTI预测的重要元路径，这可以解释药物如何与HN中的靶点连接。
2021-12-16 cs.AI cs.LG q-bio.MN
Towards automatic construction of multi-network models for heterogeneous multi-task learning
University of the Basque Country UPV/EHU（巴斯克地区大学）
多任务学习，正如现在所理解的那样，包括使用一个单一的模型来执行几个类似的任务。从对不同字母的手写字符进行分类，到使用强化学习来弄清楚如何玩几个Atari游戏，多任务模型已经能够在不同的任务中扩大其性能范围，尽管这些任务通常具有相似的性质。在这项工作中，我们试图进一步扩大这一范围，包括异构任务在一个单一的学习过程。为此，我们首先正式定义一个多网络模型，确定必要的组件和特征，以允许根据所需完成的任务对所述模型进行不同的调整。其次，采用正式的定义作为出发点，我们开发了一个说明性的模型的例子，包括三个不同的任务（分类，回归和数据采样）。然后分析该模型实现的性能，显示其功能。出于分析的结果，我们列举了一组开放的挑战和未来的研究线，其中所提出的模型定义的全部潜力可以利用。
2019-03-21 cs.AI cs.LG
Automatic Differentiation of Agent-Based Models
Macrocosm and University of Oxford（宏宇宙与牛津大学）；University of Oxford（牛津大学）
针对基于智能体模型（ABMs）计算需求高、参数校准难的问题，本文提出应用自动微分（AD）技术获取模拟器梯度，支持变分推断（VI）高效校准参数，在三个典型ABMs上实验证明可显著提升性能并节省计算量，增强ABMs实用性与可扩展性。
2025-11-18 cs.AI cs.CE cs.LG
Scalable Wi-Fi RSS-Based Indoor Localization via Automatic Vision-Assisted Calibration
本文提出利用一次性 ArUco 相机校准自动采集同步 RSS-位置数据的轻量级框架，以降低监督式 Wi-Fi 室内定位标注成本，并通过多条件实验验证其精度、泛化性和开源实用性。
2025-09-26 cs.AI eess.SP
Adaptive Automatic Model Selection for Demand Forecasting under Heterogeneous Demand Patterns
Department of Computer Engineering and Informatics, Faculty of Engineering, University of Santiago of Chile（工程学院计算机工程与信息学系，智利圣塔克鲁斯大学）
本文提出了一种面向 horizon 的决策支持框架，用于在需求波动大、不确定性高的生产计划中选择需求预测模型，通过 MDFH 方法预测误差指标并提出 RMSSEh 和 AHSIV 作为改进的模型选择方法。
2026-06-24 cs.AI cs.LG
Automatic Calibration of Artificial Neural Networks for Zebrafish Collective Behaviours using a Quality Diversity Algorithm
Ochanomizu University（御茶水女子大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Univ Paris Diderot（巴黎狄德罗大学）
在过去的二十年里，已经提出了各种模型的鱼类集体运动。这些模型主要用于解释动物之间社会互动的生物学机制。他们考虑的是非常简单的均匀无界环境，目前还不清楚他们是否能准确地模拟集体轨迹。此外，当模型更准确时，它们对更大的群体或更复杂的环境的可扩展性问题仍然是开放的。本研究旨在学习如何利用真实世界的跟踪数据来模拟真实的斑马鱼集体运动。我们的目标是设计一个基于代理的模型，可以实现一个人工机器鱼，可以融入一个集体的真正的鱼。我们提出了一种新的方法，使用质量多样性算法，一类算法，强调探索纯优化。特别是，我们使用CVT-MAP-Elites，一个变种的国家的最先进的MAP-精英算法的高维搜索空间。结果表明，质量多样性算法不仅在宏观层面（即群体行为）优于经典的进化强化学习方法，而且还能够在微观层面（即个体行为）生成更逼真的仿生行为。
2019-07-22 cs.AI cs.NE q-bio.NC
StorageXTuner: An LLM Agent-Driven Automatic Tuning Framework for Heterogeneous Storage Systems
Arizona State University（亚利桑那州立大学）；Iowa State University（爱荷华州立大学）
针对存储系统自动调优参数空间大、现有方法跨系统复用性弱等问题，提出由四个LLM智能体协同的StorageXTuner框架，结合洞见驱动树搜索与分层内存，在多存储引擎上实现了吞吐量提升、延迟降低与更快收敛。
2025-10-28 cs.AI cs.CL cs.DB
Towards Automatic Learning of Heuristics for Mechanical Transformations of Procedural Code
IMDEA Software Institute（IMDEA软件研究所）；Universidad Politécnica de Madrid（马德里理工大学）
下一代艾级系统的当前趋势是将各种专用（协）处理器集成到传统的超级计算机中。由于异构系统在每表面单元的瓦特和FLOPS方面的效率，向更广泛的用户开放异构平台的访问是一个需要解决的重要问题。然而，异构平台限制了应用程序的可移植性，并由于所需的编程技能而增加了开发复杂性。通过定义一个逐步的转换过程，将给定的初始代码转换为语义上等价的最终代码，但适用于特定的平台，程序转换可以帮助编程异构系统更容易。程序转换系统需要定义有效的转换策略，以解决由于在过程的每个步骤中可应用的大量转换而出现的组合问题。在本文中，我们提出了一个机器学习为基础的方法来学习算法来定义程序转换策略。我们的方法提出了一种强化学习和分类方法的新组合，以有效地解决这类系统固有的问题。初步结果表明，这种方法的适用性。
2017-01-25 cs.AI cs.PL
Meta-Control: Automatic Model-based Control Synthesis for Heterogeneous Robot Skills
Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
针对现实机器人操纵任务需求多样难用固定策略满足的问题，提出Meta-Control方法，借助LLM模仿人类专家分层建模思维自动合成定制化控制方案，具备可分析、泛化性强等优势。
2024-12-11 cs.AI cs.RO cs.SY
Intent-based Prompt Calibration: Enhancing prompt optimization with synthetic boundary cases
提出一种基于意图的提示校准方法，通过迭代生成合成边界案例并优化提示，在有限标注样本下超越现有方法，适用于审核和生成等真实任务。
2024-02-05 cs.AI cs.CL cs.LG
Three-Dimensional Dose Prediction for Lung IMRT Patients with Deep Neural Networks: Robust Learning from Heterogeneous Beam Configurations
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Université catholique de Louvain（鲁汶天主教大学）；Cliniques universitaires Saint-Luc（圣吕克大学附属医院）；KU Leuven（鲁汶大学）
使用神经网络直接预测三维剂量分布的自动规划正变得流行。然而，现有的方法仅使用患者解剖结构作为输入，并假设训练数据库中所有患者的射束配置一致。这项工作的目的是开发一个更通用的模型，除了患者解剖结构外，还考虑了可变射束配置，以实现更全面的自动规划，具有潜在的更容易的临床实施，而不需要针对不同的射束设置训练特定模型。
2019-04-11 cs.AI cs.CV cs.LG
