Early Approaches to Adversarial Fine-Tuning for Prompt Injection Defense: A 2022 Study of GPT-3 and Contemporary Models
本文记录了2022年针对LLM提示注入和目标劫持攻击的早期研究,提出并评估了Adversarial Fine-Tuning防御技术,发现其能将小型GPT-3变体的攻击成功率降至接近零,为现代提示注入防御研究奠定了基础。
2025-09-15 cs.CR cs.LG
Improving Generalization of Adversarial Training via Robust Critical Fine-Tuning
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, CAS(中国科学院自动化研究所);Microsoft Research(微软研究院);City University of Hong Kong(香港城市大学)
本文提出鲁棒性关键微调(RiFT),通过模块鲁棒关键性度量识别非鲁棒关键模块并微调,再与对抗训练权重插值,在不牺牲对抗鲁棒性的前提下提升模型泛化能力约1.5%。
2023-08-01 cs.CV cs.LG
R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning
University of Science and Technology of China(中国科学技术大学);NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对视觉语言模型在推理阶段易受对抗攻击且现有防御依赖标注训练数据的问题,本文提出R-TPT方法,通过重构熵目标并引入基于可靠性的加权集成策略,在无需标注数据的情况下提升对抗鲁棒性。
2025-08-27 cs.CR cs.CV cs.LG
Adversarial Robustness against Multiple and Single $l_p$-Threat Models via Quick Fine-Tuning of Robust Classifiers
University of Tübingen(图宾根大学)
对抗性鲁棒模型的一个主要缺点,特别是对于像ImageNet这样的大规模数据集,是与标准模型相比非常长的训练时间。此外,模型不仅应该对一个$l_p$威胁模型具有鲁棒性,而且最好对所有威胁模型都具有鲁棒性。基于$l_p$ -球的几何性质,提出了一种基于多范数鲁棒性的极限范数对抗训练算法(E-AT)。E-AT的成本比其他对抗性训练方法低三倍,以实现多范数鲁棒性。使用E-AT,我们证明了对于ImageNet,单个epoch和CIFAR-10,三个epoch足以将任何$l_p$鲁棒模型转换为多范数鲁棒模型。通过这种方式,我们获得了ImageNet的第一个多范数鲁棒模型,并将多范数鲁棒性的最新技术提升到CIFAR-10上的$51\%$以上。最后,我们研究了通过微调不同个体$l_p$ -威胁模型之间的对抗鲁棒性的一般转移,并在CIFAR-10和ImageNet上改进了以前的SOTA $l_1$ -鲁棒性。大量的实验表明,我们的计划跨数据集和架构,包括视觉Transformer。
2022-08-07 cs.CR cs.CV cs.LG
AFD: Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement
Xidian University(西安电子科技大学);Chongqing University of Posts and Telecommunications(重庆邮电大学)
针对对抗微调中自然与对抗样本最后隐藏层特征差距增大的问题,本文提出AFD,通过特征解耦器分离并消除对抗样本的特定潜在特征,同时对齐干净特征,在三个基准上取得优于现有方法的鲁棒性。
2024-12-10 cs.AI cs.CV cs.LG
Fight Back Against Jailbreaking via Prompt Adversarial Tuning
Peking University(北京大学);Shanghai Jiao Tong University(上海交通大学)
针对大语言模型易受越狱攻击、现有防御多依赖微调或启发式设计的问题,提出提示对抗性调优方法PAT,通过训练用户提示的防护前缀实现防御,可将高级攻击成功率降至近0%且开销极低。
2024-10-31 cs.AI cs.CL cs.CR
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization
City University of Hong Kong(香港城市大学);Dalian University of Technology(大连理工大学);Tsinghua University(清华大学)
近年来,预训练模型及其下游训练在深度学习研究和应用中的重要性日益增加。与此同时,对抗性示例的防御主要在简单分类任务的随机初始化训练的背景下进行了研究。为了更好地利用预训练模型在对抗性鲁棒性方面的潜力,本文重点关注对抗性预训练模型在各种分类任务中的微调。现有研究表明,由于鲁棒预训练模型已经学习了鲁棒特征提取器,因此关键问题是如何在学习下游任务时保持预训练模型的鲁棒性。我们研究了基于模型和基于数据的方法,发现这两种常见的方法不能同时达到提高泛化能力和对抗鲁棒性的目的。因此,我们提出了一种新的基于神经网络的方法,Two-WIng NormliSation(TIOR)微调框架,其由两个神经网络组成,其中一个神经网络将预训练数据的总体均值和方差保持在批量归一化层中。除了鲁棒的信息传递之外,由于标准批量归一化层中的权重范数与其梯度范数之间的关系被打破,TSTK在不损害训练稳定性的情况下提高了有效学习率,从而更快地逃离次优初始化并减轻鲁棒过拟合。最后,TALTH被证明是有效的广泛的图像分类数据集的泛化和鲁棒性。我们的代码可在https://github.com/ziquanliu/CVPR2023-TWINS上获得。
2023-03-20 cs.CV cs.LG
Lorica: A Synergistic Fine-Tuning Framework for Advancing Personalized Adversarial Robustness
School of Cyber Science and Technology, Sun Yat-sen University(中山大学信息科学与技术学院);School of Automation, Beijing Institute of Technology(北京理工大学自动化学院);School of Cyber Science and Engineering, Xi’an Jiaotong University(西安交通大学网络安全工程学院)
Lorica提出一种协同微调框架,通过两阶段过程实现个性化对抗鲁棒性提升,显著提高通信效率和模型准确率。
2026-02-15 cs.CR cs.LG
ADAPT to Robustify Prompt Tuning Vision Transformers
Northeastern University(东北大学)
本文提出ADAPT框架,在提示微调范式下进行自适应对抗训练,仅微调约1%参数即可达到与全模型微调SOTA方法相当的约40%鲁棒准确率,解决了现有防御方法在提示微调中遭受梯度混淆和自适应攻击的问题。
2025-02-07 cs.AI cs.CV cs.LG
Robust CLIP: Unsupervised Adversarial Fine-Tuning of Vision Embeddings for Robust Large Vision-Language Models
Tübingen AI Center(蒂宾根人工智能中心);University of Tübingen(蒂宾根大学);EPFL(洛桑联邦理工学院)
针对大型视觉-语言模型易受视觉对抗攻击的问题,提出无监督对抗微调方案以获得鲁棒的CLIP视觉编码器,无需重训下游模型即可全面防御图像篡改隐蔽攻击。
2024-06-05 cs.AI cs.CV cs.LG
Objective Matters: Fine-Tuning Objectives Shape Safety, Robustness, and Persona Drift
University of Cincinnati(辛辛那提大学);University of Toronto(多伦多大学);University of Oxford(牛津大学)
本文研究了微调目标对LLM安全性和鲁棒性的影响,发现目标选择在不同训练规模下对安全、鲁棒性和人格漂移有显著影响。
2026-01-19 cs.CL cs.LG
Adversarial Training Helps Transfer Learning via Better Representations
Harvard University(哈佛大学);Rutgers University(罗格斯大学);Stanford University(斯坦福大学)
迁移学习旨在利用在源数据上预训练的模型来有效地适应目标设置,其中只有有限的数据可用于模型微调。最近的工作经验表明,在源数据中进行对抗性训练可以提高模型转移到新领域的能力。然而,为什么会发生这种情况尚不清楚。在本文中,我们提供了一个理论模型来严格分析对抗性训练如何帮助迁移学习。我们发现,在源数据中进行对抗性训练可以生成更好的表示,因此在此表示之上进行微调可以更准确地预测目标数据。我们进一步从理论和经验上证明,源数据中的半监督学习也可以通过类似地改善表示来改善迁移学习。此外,在半监督学习之上执行对抗训练可以进一步提高可移植性,这表明这两种方法在表示上具有互补的优势。我们通过在流行数据集和深度学习架构上的实验来支持我们的理论。
2021-06-18 cs.LG
Learning to Separate Clusters of Adversarial Representations for Robust Adversarial Detection
KAIST(韩国科学技术院);Tulane University(杜兰大学)
尽管深度神经网络在各种任务上表现出了良好的性能,但它们容易受到输入中微小扰动引起的错误预测的影响。大量先前的工作提出检测对抗攻击。然而,他们中的大多数人不能有效地检测到他们对自适应白盒攻击的对手有知识的模型和防御方法。在本文中,我们提出了一个新的概率对抗检测器的动机最近推出的非鲁棒功能。我们认为非鲁棒特征是对抗性示例的一个共同属性,并且我们推断可以在表示空间中找到与该属性对应的聚类。这个想法引导我们在一个单独的集群中概率估计对抗表示的分布,并利用该分布来构建基于似然的对抗检测器。
2020-12-07 cs.AI cs.CR cs.LG
Exploring the Hyperparameter Landscape of Adversarial Robustness
IBM Research(IBM研究院);IBM Research Ireland(IBM爱尔兰研究院);IBM Research India(IBM印度研究院)
对抗性训练显示出作为训练对对抗性扰动具有鲁棒性的模型的方法的前景。在本文中,我们探讨了对抗训练的一些实际挑战。我们提出了一个敏感性分析,说明对抗性训练的有效性取决于一些突出的超参数的设置。我们表明,出现在这些显着的参数的鲁棒性表面可以是令人惊讶的复杂,因此没有有效的一刀切的参数设置存在。然后,我们证明,我们可以使用相同的显着超参数作为调谐旋钮来导航鲁棒性和准确性之间可能出现的紧张局势。基于这些发现,我们提出了一种实用的方法,该方法利用超参数优化技术来调整对抗训练,以最大限度地提高鲁棒性,同时将准确性损失保持在定义的预算范围内。
2019-05-09 cs.LG stat.ML
A Simple Dynamic Learning Rate Tuning Algorithm For Automated Training of DNNs
IBM Research-India(IBM印度研究院);Georgia Institute of Technology(佐治亚理工学院);IBM Research-USA(IBM美国研究院)
在图像数据集上训练神经网络通常需要大量的实验来找到最佳的学习率机制。特别是,对于对抗训练或训练新合成模型的情况,人们事先不知道最佳学习率方案。我们提出了一种用于确定学习率轨迹的自动算法,该算法适用于自然和对抗训练的数据集和模型,而不需要任何数据集/模型特定的调整。它是一种独立的、无参数的、自适应的方法,没有计算开销。我们从理论上讨论了算法的收敛性。我们经验验证我们的算法广泛。我们的研究结果表明,我们提出的方法\emph{consistently}实现了顶级的准确性相比,SOTA基线在文献中的自然以及对抗训练。
2019-10-25 cs.CV cs.LG stat.ML
Improved OOD Generalization via Adversarial Training and Pre-training
University of Chinese Academy of Sciences(中国科学院大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
最近,学习一个模型,推广良好的分布外(OOD)数据引起了极大的关注,在机器学习社区。在本文中,通过Wasserstein距离定义OOD推广后,我们从理论上证明了对输入扰动鲁棒的模型在OOD数据上推广得很好。受先前发现对抗训练有助于提高输入鲁棒性的启发,我们从理论上证明了对抗训练模型在OOD数据上收敛了超额风险,并在图像分类和自然语言理解任务上进行了实证验证。此外,在第一次预训练,然后微调的范例中,我们从理论上表明,一个预训练的模型,是更强大的输入扰动提供了一个更好的初始化下游OOD数据的泛化。从经验上讲,经过微调后,这个来自对抗性预训练的更好初始化的模型也具有更好的OOD泛化能力。
2021-05-24 cs.LG
Interpreting Adversarial Robustness: A View from Decision Surface in Input Space
George Mason University(乔治梅森大学);Clarkson University(克拉克森大学);Northeastern University(东北大学)
神经网络推广的一个流行假设是参数空间中损失曲面的平坦局部极小导致良好的推广。然而,我们证明了参数空间中的损失面与泛化没有明显的关系,特别是在对抗性设置下。通过在参数空间和输入空间中对决策曲面进行可视化,我们证明了决策曲面在输入空间中的几何性质与对抗鲁棒性有很好的相关性。然后,我们提出了一个对抗鲁棒性指标,它可以评估神经网络的内在鲁棒性,而无需测试其准确性下的对抗攻击。在此基础上,我们进一步提出了我们的鲁棒训练方法。在不涉及对抗训练的情况下,我们的方法可以增强网络对各种对抗攻击的内在对抗鲁棒性。
2018-10-12 cs.AI cs.LG stat.ML
AutoLoRa: A Parameter-Free Automated Robust Fine-Tuning Framework
National University of Singapore(新加坡国立大学);University of Auckland(奥克兰大学);RIKEN Center for Advanced Intelligence Project (AIP)(理化学研究所高级智能项目中心)
针对现有鲁棒微调中梯度方向发散、对超参数敏感的问题,提出基于LoRa分支解耦的AutoLoRa框架,搭配自动学习率与损失标度启发式策略,无需调参即可将预训练特征提取器转为下游任务的对抗鲁棒模型,取得SOTA结果。
2023-10-03 cs.CR cs.LG
TransferBreaker: Breaking Adversarial Transferability in Fine-Tuned Speech Recognition
Idiap Research Institute(Idiap研究所);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Sharif University of Technology(谢里夫理工大学);University of Isfahan(伊斯法罕大学)
针对微调ASR模型易受对抗迁移攻击的问题,提出TransferBreaker统一微调框架,通过基础对抗微调、潜在雅可比正则化和混合梯度对抗微调抑制迁移,在三种语言和四个大模型上将对抗WER从92.6降至27.8。
2026-11-11 cs.LG
RoAST: Robustifying Language Models via Adversarial Perturbation with Selective Training
KAIST(韩国科学技术院);Meta AI;HKUST(香港科技大学);USTC(中国科学技术大学);Virginia Tech(弗吉尼亚理工大学)
本文提出 RoAST 微调方法,通过在对抗扰动输入上训练并按参数重要性选择性更新,统一提升语言模型的多视角鲁棒性。
2023-12-07 cs.CL cs.LG
Enhancing Adversarial Attacks via Parameter Adaptive Adversarial Attack
The University of Technology Sydney(悉尼科技大学);Suzhou Yierqi(苏州伊尔其)
针对现有对抗攻击忽略模型内在参数、扰动可进一步优化的问题,将对抗过程拆分为方向监督与优化阶段,提出参数自适应的P3A方法,通过微调模型参数提升攻击效果,经实验验证有效。
2024-08-14 cs.CR cs.LG
Criticality Leveraged Adversarial Training (CLAT) for Boosted Performance via Parameter Efficiency
Duke University(杜克大学);University of California, Berkeley(加利福尼亚大学伯克利分校)
本文提出 CLAT 方法,通过动态识别并微调鲁棒性关键层、冻结其余参数,在减少约 95% 可训练参数的同时,有效缓解对抗过拟合并提升模型对抗鲁棒性。
2024-12-23 cs.CV cs.LG
Are Perceptually-Aligned Gradients a General Property of Robust Classifiers?
Carnegie Mellon University(卡内基梅隆大学)
对于标准的卷积神经网络,优化输入像素以最大化某些目标类别的得分通常会产生原始图像的颗粒状版本。然而,Santurkar等人(2019)证明,对于经过逆向训练的神经网络,这种优化会产生与目标类惊人相似的图像。在本文中,我们表明,这些“感知对齐梯度”也发生在随机平滑,另一种手段,构建对抗强大的分类。我们的研究结果支持的假设,感知对齐的梯度可能是一个强大的分类器的一般属性。我们希望我们的研究结果将激发旨在解释感知对齐梯度和对抗鲁棒性之间联系的研究。
2019-10-23 cs.CV cs.LG stat.ML
Renofeation: A Simple Transfer Learning Method for Improved Adversarial Robustness
Carnegie Mellon University(卡内基梅隆大学);Microsoft Cloud and AI(微软云与人工智能);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
通过从大规模数据集上的预训练模型进行知识转移进行微调是一种广泛传播的方法,可以有效地在小规模数据集上构建模型。在这项工作中,我们证明了最近通过重新训练最后一个线性层为迁移学习设计的对抗攻击可以成功地欺骗通过端到端微调进行迁移学习训练的模型。这引起了许多工业应用的安全问题。相比之下,使用随机初始化训练而没有传输的模型对此类攻击更具鲁棒性,尽管这些模型通常表现出低得多的准确性。为此,我们提出了噪声特征提取,这是一种新的迁移学习方法,可以从随机初始化训练网络,同时实现与微调竞争的干净数据性能。代码可在https://github.com/cmu-enyac/Renofeation获得。
2021-04-28 cs.CR cs.CV cs.LG
Dynamic Adversarial Fine-Tuning Reorganizes Refusal Geometry
University of Chinese Academy of Sciences(中国科学院大学);Inner Mongolia University of Technology(内蒙古科技大学);Tsinghua University(清华大学);Shandong University(山东大学)
研究动态对抗微调如何改变安全对齐语言模型中拒绝行为的因果控制载体(低维子空间),发现R2D2沿鲁棒性-效用前沿重组几何结构但未建立自适应鲁棒性。
2026-05-25 cs.CL cs.CR cs.LG
Adversarial Learning with Cost-Sensitive Classes
Shenzhen University(深圳大学)
在对抗性学习中,有必要提高某些特殊类的性能,或者特别保护它们免受攻击。本文提出了一种结合成本敏感分类和对抗学习的框架,训练一个模型,可以区分受保护和不受保护的类,使受保护的类不容易受到对抗的例子。在这个框架中,我们发现了深度神经网络训练过程中的一个有趣现象,称为Min-Max特性,即卷积层中大多数参数的绝对值接近于零,而少数参数的绝对值明显变大。在此基础上,从随机分布的角度对Min-Max性质进行了分析,并进一步建立了一种新的对抗性样本防御模型,以提高对抗性样本的鲁棒性。所建模型的一个优点是它的性能优于标准模型,并且可以与对抗训练相结合,以实现更好的性能。实验证实,关于所有类的平均准确度,我们的模型几乎是相同的现有模型时,攻击没有发生,是优于现有的模型时,攻击发生。具体而言,关于受保护类的准确性,当攻击发生时,所提出的模型比现有的模型好得多。
2022-06-23 cs.LG
LORE: Lagrangian-Optimized Robust Embeddings for Visual Encoders
Stanford University(斯坦福大学);Aktus AI;University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Apple(苹果公司)
LORE通过约束优化方法提升视觉编码器的对抗鲁棒性,同时保持清洁数据性能,有效平衡鲁棒性与准确性。
2025-11-29 cs.AI cs.CV cs.LG
Revisiting Role of Autoencoders in Adversarial Settings
KAIST(韩国科学技术院)
为了对抗对抗攻击,自编码器结构被广泛用于执行被认为是梯度掩蔽的去噪。在本文中,我们重新审视了自动编码器在对抗环境中的作用。通过综合实验结果和分析,本文提出了自编码器对抗鲁棒性的内在特性。我们还发现,自动编码器可能会使用强大的功能,导致固有的对抗鲁棒性。我们相信,我们的发现的对抗性鲁棒性的自动编码器可以提供线索,未来的研究和应用的对抗性防御。
2020-05-21 cs.CV cs.LG
LoFT: Local Proxy Fine-tuning For Improving Transferability Of Adversarial Attacks Against Large Language Model
Carnegie Mellon University(卡内基梅隆大学)
本文提出局部微调(LoFT)方法,通过在有害查询的词汇语义邻域内微调公开代理模型以减小其与私有目标模型的差异,从而提升对抗攻击的迁移性,在 ChatGPT、GPT-4 和 Claude 上分别将攻击成功率提高了 39%、7% 和 0.5%。
2023-10-21 cs.AI cs.CL cs.LG
Accidental Vulnerability: Factors in Fine-Tuning that Shift Model Safeguards
University of Toronto(多伦多大学);Vector Institute(向量研究所);ETH Zürich(苏黎世联邦理工学院);FAR AI(FAR人工智能公司);McGill University(麦吉尔大学);MILA(蒙特利尔人工智能研究院);Max Planck Institute for Intelligent Systems, Tübingen, Germany(图宾根德国智能系统研究所)
研究意外漏洞,揭示微调数据集特征对模型安全性和对抗鲁棒性的影响
2026-02-22 cs.AI cs.CL cs.LG
Calibrating Uncertainty for Zero-Shot Adversarial CLIP
University of Science and Technology of China(中国科学技术大学)
针对CLIP在零样本分类中对抗攻击脆弱且不确定性校准差的问题,提出基于狄利克雷分布重参数化的对抗微调目标,统一对齐语义结构与置信度,提升校准性和鲁棒性。
2026-06-05 cs.AI cs.CV cs.LG
Robotic and Generative Adversarial Attacks in Offline Writer-independent Signature Verification
Nottingham Trent University(诺丁汉特伦特大学)
本研究探讨如何机器人和生成方法可以用来安装成功的虚假接受对抗攻击签名验证系统。最初,探索和调整了卷积神经网络拓扑结构和数据增强策略,为2,640个人类签名的验证产生了87.12%的准确率模型。然后,两个机器人的任务是伪造50个签名,其中25个用于验证攻击,其余25个用于调整模型以抵御它们。对系统的对抗攻击表明存在信息安全风险; Line-us机器人手臂可以在24%的时间内欺骗系统,iDraw 2.0机器人可以在32%的时间内欺骗系统。一个有条件的GAN发现了类似的成功,大约30%的伪造签名被误分类为真实签名。在对机器人和生成数据进行微调迁移学习之后,机器人和GAN都将对抗攻击降低到模型阈值以下。据观察,调整模型可以将机器人攻击的风险降低到8%和12%,当呈现25张图像时,条件生成对抗攻击可以降低到4%,当呈现1000张图像时,可以降低到5%。
2022-04-14 cs.CV cs.LG cs.RO
Property-Preserving Hashing for $\ell_1$-Distance Predicates: Applications to Countering Adversarial Input Attacks
Macquarie University(麦考瑞大学)
本文提出首个用于ℓ1距离谓词的属性保持哈希方案,通过高效算法有效检测对抗性输入攻击,提升图像相似性检测的鲁棒性。
2026-04-12 cs.CR cs.IT cs.LG
Efficient LLM Adversarial Training via Low-Rank Defense and Circuit-Guided Surrogates
Michigan State University(密歇根州立大学)
本研究针对大语言模型对抗训练计算成本高的问题,从防御侧优化表示微调、攻击侧构建轻量代理模型两方面提出策略,使每步对抗训练FLOPs降48.1%,仅需0.0118%可训练参数。
2026-09-29 cs.AI cs.LG
Bridged Adversarial Training
Seoul National University(首尔大学)
对抗鲁棒性被认为是深度神经网络的必要属性。在这项研究中,我们发现对抗训练的模型在边缘和平滑度方面可能具有显着不同的特征,即使它们表现出相似的鲁棒性。受观察的启发,我们研究了不同正则化子的效果,并发现了平滑正则化子对最大化保证金的负面影响。基于这些分析,我们提出了一种称为桥接对抗训练的新方法,通过弥合干净和对抗示例之间的差距来减轻负面影响。我们提供的理论和经验证据表明,所提出的方法提供了稳定和更好的鲁棒性,特别是对于大扰动。
2021-08-25 cs.AI cs.LG
Fine tuning generative adversarial networks with universal force fields: application to two-dimensional topological insulators
提出通过引入通用力场等图神经网络作为判别器微调生成对抗网络,实现向目标材料生成的内在偏置,并成功应用于设计具有合适带隙的新型二维拓扑绝缘体。
2025-04-07 cond-mat.dis-nn cond-mat.mes-hall cond-mat.mtrl-sci
Computational Design of Nanoclusters by Property-Based Genetic Algorithms: Tuning the Electronic Properties of (TiO$_2$)$_n$ Clusters
为了设计具有所需特性的簇,我们已经实现了一套遗传算法,以优化低总能量,高垂直电子亲和势(VEA),和低垂直电离势(VIP)。应用于(TiO $_2$)$_n$簇合物,基于性质的优化揭示了潜在的结构-性质关系和可能作为催化活性位点的结构特征。高VEA和低VIP分别与几个悬挂的O原子的存在和它们的接近度相关。我们发现,电子性质的(TiO $_2$)$_n$到n=20更强烈地与这些结构特征的存在下,比与大小相关。
2015-01-23 cond-mat.mtrl-sci
Fine-Tuning Vision-Language Models for Multimodal Polymer Property Prediction
Department of EECS University of Arkansas(电子工程与科学系 亚拉荷加大学);Department of CS Baylor University(计算机科学系 基尔默大学)
本文构建多模态聚合物数据集并利用LoRA微调视觉-语言模型,证明多模态学习在聚合物性质预测上优于单模态方法,同时降低多模型部署维护成本。
2025-11-04 cond-mat.mtrl-sci cs.AI cs.CL