事后分布外 (OOD) 检测在可靠的机器学习领域引起了广泛关注。许多努力致力于基于逻辑、距离或严格的数据分布假设来导出评分函数，以识别低分 OOD 样本。然而，这些估计分数可能无法准确反映真实的数据密度或施加不切实际的限制 ...

在本文中，我们考虑量子网络的现实波导实现，作为测试平台，展示如何在 QED 设置中最大化量子信息的存储和操作。我们使用波包工程和量子状态转移协议分析两种方法。首先，我们提出并设计了时域中的一系列正交光子 ...

量子密钥分发（QKD）的发展依赖于创新方法来增强其安全性和效率。不可扩展产品库（UPB）由于其固有的不可区分性而在量子密码学中大有可为，但它们在 QKD 协议中并未得到充分利用。本文介绍了一种利用 UPB 在远程各方之间建立量子密钥的协议 ...

图结构数据在社交网络分析、生物化学、金融欺诈检测和网络安全等不同领域表现出普遍性和广泛适用性。利用图神经网络 (GNN) 在这些领域取得了显着的成功。然而，在现实场景中，模型的训练环境往往很不理想，导致GNN模型的性能因各种不利因素而大幅下降，包括数据分布不平衡、错误数据中存在噪声、隐私保护等。敏感信息以及分布外 (OOD) 场景的泛化能力 ...

最近，人脸识别领域的一个热门研究方向是在完善的 softmax 损失函数中采用边距来最大化类别可分离性。在本文中，我们首先引入了加性角裕度损失（ArcFace），它不仅具有清晰的几何解释，而且显着增强了判别力。由于ArcFace容易受到大量标签噪声的影响，我们进一步提出了子中心ArcFace，其中每个类包含$K$个子中心，训练样本只需要靠近任何$K$个正子中心 ...

图神经网络 (GNN) 是强大的基于图的深度学习模型，已受到广泛关注，并在自然语言处理、药物发现和推荐系统等各个领域表现出了卓越的性能。然而，结合特征信息和组合图结构导致了复杂的非线性 GNN 模型。因此，这增加了理解 GNN 的工作原理及其预测背后的根本原因的挑战 ...

尽管大型语言模型最近取得了进展，但构建可靠且可部署的 NLP 模型通常需要丰富、高质量的训练数据。然而，许多用例无法获得特定于任务的数据，并且手动管理特定于任务的数据是劳动密集型的。最近的工作研究了使用大型语言模型的提示驱动的合成数据生成，但这些生成的数据集往往缺乏复杂性和多样性 ...

传统上，多语言机器翻译的成功可归因于训练数据的三个关键因素：海量、翻译方向多样和高质量。在当前对翻译大型语言模型（LLM）进行微调的实践中，我们重新审视所有这些因素的重要性。我们发现LLM在仅仅32个训练实例上进行微调后就显示出强大的翻译能力，并且在单个翻译方向上的微调有效地使LLM能够在多个方向上进行翻译 ...