Sulawesi
PulseAugur coverage of Sulawesi — every cluster mentioning Sulawesi across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
印尼苏拉威西岛发生强烈地震
印尼苏拉威西岛发生强烈地震，引发恐慌，促使居民疏散到开阔地带。地震导致多家医院疏散，受灾地区画面显示有显著的结构性损坏。当局目前正在评估损坏程度、伤亡情况和人员流离失所情况。
-
印尼镍业规则变更阻碍中国投资
印尼近期对其镍业法规的修改引起了中国投资者的担忧，他们此前已大力资助该行业的下游发展。一封泄露的信件表明，这些新规正在增加运营成本并降低投资确定性。这种情况可能会阻碍关键的中国资本流入，而这些资本在建设冶炼厂和加工设施方面发挥了重要作用，尤其是在苏拉威西和北马鲁古等地区，这可能会影响印尼-中国关系经济支柱。
-
菲律宾地震致37人死亡，引发海啸预警
一场强烈的7.8级地震袭击了菲律宾海岸，造成至少37人死亡，400多人受伤。此次地震还引发了多国海啸预警。目前搜救行动仍在继续，寻找4名失踪人员，重点是将被困在倒塌建筑物中的人员救出。
-
光学网络通过预训练实现卓越的图像去噪
研究人员开发了一种新颖的基于衍射网络的全光学图像去噪预训练方法。该方法包括使用包含345万张图像的大型数据集进行初始训练，然后进行任务特定的微调。该方法显著提高了严重噪声图像的去噪质量，将PSNR从低于8 dB提升到18 dB以上，同时保留了精细细节。预训练网络通过针对数字、X射线和人脸等各种图像类型进行微调，展现了通用性，并在实际视觉应用中证明了其有效性，例如在噪声条件下的面部检测和无人机定位。
-
新的STMD方法在无教师模型的情况下加速扩散模型推理
研究人员开发了随机转移图蒸馏（STMD），一个新颖的框架，旨在加速扩散模型的推理过程，而无需预先训练的教师模型。该方法蒸馏了采样随机微分方程（SDE）的完整转移图，实现了更快、概率性的样本生成。STMD提供了理论基础，具有Wasserstein距离的收敛界限，并在MNIST、CIFAR-10和CelebA数据集的图像生成任务上得到了验证。
-
新框架增强了敏感数据联邦学习中的隐私保护
研究人员开发了一个名为高斯隐私保护器（GPP）的新框架，旨在增强数据发布的隐私保护，特别是针对连续、高维输入。GPP利用随机编码器将原始数据映射到低维、经过净化的表示。该过程经过训练，旨在最小化净化数据与敏感属性之间的互信息，同时保留效用属性，并通过一个可调参数控制这种权衡。该框架还已扩展到联邦学习场景，提供了超越联邦学习标准保证的实例级隐私保护。
-
ProtoFair 通过使用伪反事实对引入公平的自监督学习
研究人员推出了一种名为 ProtoFair 的新方法，用于增强自监督学习模型的公平性。该方法可与现有的自监督学习框架集成，而无需修改其核心目标。ProtoFair 利用无监督原型聚类来创建伪反事实对，使模型能够学习对种族或性别等敏感属性不变的表示。在 CelebA 和 UTKFace 等基准数据集上的实验表明，ProtoFair 在提高公平性的同时保留了模型的准确性。
-
新AI方法增强了分布外检测和表示学习
研究人员开发了UFCOD，一个用于少样本跨域分布外（OOD）检测的新框架。UFCOD利用扩散轨迹的信息几何分析，提取“路径能量”和“动力学能量”特征，以识别与模型训练分布的偏差。这种方法允许在单个数据集上训练的单个扩散模型在推理时只需少量标记样本，即可在各种不相关的域上执行OOD检测，展示了显著的样本效率。