University of California, Merced
PulseAugur coverage of University of California, Merced — every cluster mentioning University of California, Merced across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
MacKenzie Scott 向加州公立教育捐赠 4.61 亿美元
MacKenzie Scott 在 2021 年至 2025 年间向加州的公立教育机构捐赠了 4.61 亿美元。这些无限制的捐赠平均每笔 2880 万美元，分配给了 16 家机构，其中加州州立大学北岭分校获得的累计金额最多，为 1.03 亿美元。Scott 的慈善方式强调赋权受赠者决定如何分配资金，支持那些经常服务于多元化和资金不足的学生群体的机构。
-
脉冲神经网络增强用于遥感OOD检测
研究人员开发了一种新颖的方法来改进脉冲神经网络（SNN）在遥感应用中的分布外（OOD）检测。他们的方法利用了脉冲伪集成，其中多个轻量级分类头连接到一个单一的、固定的SNN骨干网络上。为了防止这些头之间的预测崩溃，他们引入了一个“同意-不同意”目标，鼓励预测的多样性，特别是在引起不确定性的变换输入上。与传统的深度集成相比，该技术显著降低了计算成本和参数数量，同时在EuroSAT、UCM和AID等数据集上取得了相当或更好的性能。
-
撤稿论文将视觉 Transformer 稀疏性与数据复杂度关联起来
一篇最近被撤稿的 arXiv 论文探讨了视觉 Transformer (ViTs) 中“表征稀疏性”的现象。由 Kanishk Awadhiya 领导的研究提出，在 ViTs 中观察到的“U形”熵分布（信息在中间层被压缩）并非架构缺陷，而是数据依赖的适应。该研究分析了在不同复杂度数据集上 DINO 训练的 ViTs 的有效编码维度 (EED)，发现此瓶颈的深度与任务所需的语义抽象相关。
-
新框架增强AI跨域分类遥感图像的能力
研究人员开发了一种新颖的标签解耦风格增强框架，以提高多标签遥感场景分类中的域泛化能力。该方法将风格扰动限制在标签特定的区域，解决了现有技术全局改变通道统计量的局限性。该框架参数增加极少，不影响推理，在基准数据集上实现了71.5%的平均精度，显著优于其他方法。
-
新方法掩码不受信任的网页内容以保护AI代理
研究人员开发了一种名为不受信任内容掩码（UCM）的新方法，以增强Web代理的安全性。UCM通过在受信任的指令和不受信任的数据之间保持严格的分离来解决提示注入攻击的挑战，这在受信任和不受信任的内容混合在一起的Web环境中是困难的。该系统使用文档对象模型（DOM）在不受信任的网页区域到达代理之前识别并编辑这些区域，从而确保代理可以在与环境交互的同时与恶意内容隔离。
-
新的UCM框架通过改进的记忆和相机控制增强世界模型
研究人员开发了UCM，一个旨在通过解决长期内容一致性和精确相机控制方面的挑战来改进世界模型的新框架。UCM利用时序感知位置编码扭曲机制和高效的双流扩散Transformer来实现高保真视频生成。该框架使用一种新颖的数据策展策略进行训练，该策略涉及超过50万个单目视频，在场景一致性和相机可控性方面表现优于现有方法。
-
新的SALD框架使用边缘-云扩散技术提升遥感感知能力
研究人员开发了一个结构感知隐扩散（SALD）框架，以应对高分辨率遥感数据的传输挑战。该系统通过在边缘端将影像解耦为压缩的低频分量和结构先验，从而最大限度地减少带宽使用。在云端，SALD利用结构门控大核模块和语义引导引擎来重建细节并防止生成性幻觉。实验表明，即使在严重的带宽限制下，SALD也能提高感知质量和下游任务性能，例如目标检测。