Mantis
PulseAugur coverage of Mantis — every cluster mentioning Mantis across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI安全扫描需要证据，而非代理
Google的Mantis系统凸显了AI安全扫描中的一个关键问题：区分识别潜在漏洞与证明其存在。当前的AI安全工具常常产生大量未经证实的警报，而简单地添加一个LLM可能会加剧这个问题，产生更详尽但仍然不正确的干扰。真正的价值在于通过代码库上下文、威胁模型和基于证据的复现步骤等基础机制来构建AI工作流，而不是将AI视为一个黑匣子。
-
LeNEPA：新的时间序列自监督学习方法减少对数据增强的依赖
研究人员推出了一种新颖的时间序列数据自监督学习方法LeNEPA，该方法不需要数据增强。LeNEPA利用因果骨干网络和下一个潜在标记预测目标，采用基于SIGReg的各向同性正则化以及用于损失计算的轻量级投影空间。在ECG数据和合成诊断语料库上的实验表明，LeNEPA能够更快地获得表示，并且即使在跨不同数据集重用其方法而不进行调整的情况下，也能保持有用的性能增益，在某些场景下优于类似的固定JEPA方法。
-
Mantis：轻量级时间序列分类基础模型发布
研究人员推出 Mantis，这是一款专为时间序列分类设计的新型轻量级基础模型。该基于 Transformer 的模型利用合成数据上的自监督对比学习，并采用新颖的 token 生成器以有效利用 Transformer。Mantis 还采用增强的测试时方法，结合中间层表示和自集成技术，在各种数据集上实现了最先进的性能。
-
Mantis框架为3D点云模型提供高效的Mamba原生调优
研究人员推出Mantis，一个新颖的参数高效微调（PEFT）框架，专门为基于Mamba的3D点云基础模型设计。现有的PEFT方法在处理Mamba的状态空间动力学时遇到困难，导致性能下降。Mantis通过引入状态感知适配器（SAA）进行状态级适应，以及双序列化一致性蒸馏（DSCD）来稳定不同点云序列化下的训练，从而解决了这个问题。该框架仅使用约5%的可训练参数就取得了有竞争力的结果。