大型语言模型如何应对虚假信息？——基于LLMs的深度研究 在当今信息传播速度飞快的数字时代，虚假信息（misinformation）和假新闻（fake news）的传播已成为社会的重大挑战。互联网和社交媒体的普及使得信息共享的门槛大幅降低，任何人都可以在未经验证的情况下传播内容，而社交平台的算法又倾向于优先展示争议性或引发强烈情绪的内容，从而加速了误导性信息的扩散。此外，随着生成式人工智能（generative artificial intelligence）的发展，特别是大型语言模型（Large Language Models, LLMs）的普及，这些模型不仅可以生成高质量的自然语言，还可能被用于伪造信息，使得传统的虚假信息检测方法难以应对。 在此背景下，《Silver Lining in...
深入探索基于部门的对冲交易策略及创新选股技术 背景与研究目标 对冲交易策略（Pairs Trading Strategy, PTS）作为一种长期以来被广泛使用的金融套利策略，其核心思想是利用两只高度相关的股票之间的相对表现，从价格的暂时性偏差中获利。然而，传统对冲交易策略主要依赖均值回复理论，假设股票之间的价格差（价差，Spread）会回归到其历史平均值。在实际操作中，交易者通常通过相关性分析或协整性分析（Cointegration）来挑选股对（Stock Pairs），并依据统计模型生成长/短头寸信号，从而实现获利。 尽管传统PTS已被广泛应用，但它存在一些局限性。例如，传统PTS在股对选择时通常忽略了股票所属行业（Sector）或部门的特征，这可能导致选出的股对对行业波动或市场系统性风险...
通过多目标进化优化解决移民安置问题的新框架研究报告 在全球化进程加速和不断变化的社会经济背景下，移民（migrants）现象已经成为一种不可忽视的全球趋势。不管是出于人道主义救助的角度，还是从全球化经济的可持续发展出发，有效地管理和安置移民已成为一个复杂的重要课题。据统计，截止2019年，国际移民的总数已达到2.72亿人，呈现出大幅超出先前预测的增长趋势，并且这一现象在未来还将持续。然而，与此同时，移民安置过程中也面临着诸多挑战：如何提升移民的就业率以及如何合理分配移民至合适的定居点？这些问题的答案对移民本身、对东道国、乃至整个社会的经济与文化福祉都有重要影响。 基于这一全球性问题，本研究由南京大学、Peng Cheng实验室及Southern University of Science a...
多智能体混合环境协作导航研究：基于关系图学习的强化学习新方法 移动机器人技术正随着人工智能领域的发展迎来应用热潮，其中导航能力是移动机器人研究的核心热点之一。传统导航方法在面对动态环境、障碍物规避以及多机器人协作任务时，往往面临算法复杂度、计算资源消耗以及模型普适性的问题。针对这些问题，来自Central South University与Zhejiang University of Technology的研究团队提出了一种基于关系图注意力网络（Graph Attention Network, GAT）的新方法，称为GAR-CoNav，为混合环境中的多目标协作导航问题（Multi-Robot Cooperative Navigation Problem, MCNP）提供了新的解决方案。这篇发...
基于深度循环强化学习和联邦学习的工业物联网流量入侵检测方法 学术背景 工业物联网（Industrial Internet of Things, IIoT）的快速发展带来了智能工业系统的巨大变革，IIoT通过互联网连接各种工业设备，实现了设备间的数据交换、远程控制以及智能决策。然而，这种无缝连接和庞大的设备网络也使得工业系统面临日益复杂和多样化的网络安全威胁。在实际IIoT场景中，网络攻击可能导致数据泄漏、数据操纵、拒绝服务（denial of service, DoS）、以及工厂生产中断等严重后果。传统的入侵检测方法虽然对部分攻击类型表现出了一定的检测能力，但由于其大多采用传统的机器学习模型在集中服务器上训练，无法很好地处理分布式设备所带来的隐私、能耗以及异质性数据分布问题。 为了应对这些挑...
智能船舶自动驾驶的非线性固定时间强化学习优化控制研究 近年来，智能自动驾驶技术逐渐成为自动化控制领域的研究热点之一。在复杂的非线性系统中，优化控制策略的设计，尤其是在固定时间内实现系统稳定性和性能优化方面，是控制工程师和研究人员面临的重要挑战之一。然而，现有的固定时间控制理论在实现系统状态收敛时，往往忽略了资源利用效率和平衡问题，这可能导致过度补偿或欠补偿的现象，从而使系统的稳态误差增加。此外，对于如何在时间限定内实现非线性不确定性估计误差的最小化，相关研究依然较少。因此，本研究旨在提出一种自适应复合固定时间强化学习优化控制解决方案，进一步解决这一关键问题。 研究背景及目的 固定时间控制理论自提出以来，由于收敛时间不依赖于初始状态的特点，其应用得到了广泛关注。相比有限时间控制方法，固定时间控...
深入解析科研论文：MEMIA: Multilevel Ensemble Membership Inference Attack 科研背景介绍 随着数字技术的迅猛发展，人工智能（AI）和机器学习（ML）已经深入渗透到医疗、金融、零售、教育以及社交媒体等多个领域。然而，随着这些技术的广泛应用，隐私泄露的风险也愈发凸显。许多研究表明，机器学习模型容易受到对抗性攻击的威胁，其中一种重要的隐私攻击形式是会员推断攻击（Membership Inference Attack, MIA）。这种攻击的核心目的是通过分析目标模型的输出预测分布，推测某一特定数据样本是否被用于模型的训练。然而，目前已有的MIA方法面临诸多限制，尤其是在数据集类别较少或目标模型欠拟合的场景下，其攻击精度通常会显著下降。因此，如何提升...
基于策略共识的分布式确定性多智能体强化学习研究报告 强化学习（Reinforcement Learning, RL）近年来在诸多领域取得了显著突破，包括机器人学、智能电网和自动驾驶等。然而，在实际场景中，常常涉及到多智能体（Multi-Agent Reinforcement Learning, MARL）的协作学习问题。这类问题的核心挑战在于设计高效的多智能体协作强化学习算法，尤其是在受制于通信能力限制或隐私保护的情况下。目前，多数的MARL算法依赖一种被广泛采用的集中化训练-分布式执行（Centralized Training with Decentralized Execution, CTDE）范式。该范式虽然可以有效解决环境的非平稳性问题，但由于其重通信和集中化处理的本质，使其在实际部...
脑启发的低能耗生成模型——Spiking Diffusion Models研究评述 背景概述 近年来，人工智能领域涌现出众多前沿技术，其中深度生成模型（Deep Generative Models, DGMs）通过生成图像、文本等数据表现出了卓越的能力。然而，这些生成模型通常依赖人工神经网络（Artificial Neural Networks, ANNs）作为骨干网络，其高度依赖算力和内存资源的特性使其在大规模应用中面临显著的能耗问题。同时，与人类大脑相比，ANNs的能耗效率远不及人类大脑的20瓦功率水平，这导致研究人员对更高能效的神经网络架构产生了兴趣。 与ANNs不同，脉冲神经网络（Spiking Neural Networks, SNNs）以大脑神经元的工作方式为启发，以事件驱动的方...
深入探讨基于精细线索和噪声不一致性的面部伪造检测 背景介绍 随着人工智能（AI）技术的快速发展，各种生成模型已实现了惊人的进步。这使得生成高逼真的“深度伪造（Deepfake）”面部图像变得越来越容易。这些高度逼真的面部伪造图像在娱乐、影视制作等领域具有合法用途，但也被滥用于恶意目的，如传播虚假信息、误导公众舆论，甚至威胁社会安全和国家安全。尤其是当主流媒体采用隐式压缩时，这些压缩过程往往会淡化伪造的痕迹，使得检测变得更加困难。因此，开发有效的面部伪造检测方法已成为多媒体信息安全领域的核心需求。 目前，大部分现有的伪造检测方法要么依赖空间域（spatial domain）特征，要么依赖频域（frequency domain）特征，却很少研究二者的相关性和互补性。另外，当图像质量较低或经过强压...