克罗内克积定义 克罗内克积是两个任意大小的矩阵间的运算，它是张量积的特殊形式。给定两个矩阵A∈Rm×n\boldsymbol{A} \in \mathbb{R}^{m \times n}A∈Rm×n和B∈Rp×q\boldsymbol{B} \in \mathbb{R}^{p \times q}B∈Rp×q，则这两个矩阵的克罗内克积是一个在空间Rmn×nq\mathbb{R}^{mn \times

1.用法介绍 pytorch中的torch.sort()是按照指定的维度对tensor张量的元素进行排序。torch.sort(input, dim=-1, descending=False, stable=False, * ,out =None)输入：input(tensor): 表示输入的张量dim(int, optional)：表示张量元素排序的维度descending(bool, opti

CK+数据集存为.h5文件 首先对CK+数据集进行处理#create data and label for CK+#0=anger,1=disgust,2=fear,3=happy,4=sadness,5=surprise,6=contempt#contain 135,177,75,207,84,249,54 imagesimport csvimport osimport numpy as npi

图像中L2L_2L2​范数定义 给定一批图像X∈Rb×c×w×hX \in \mathbb{R}^{b \times c \times w \times h}X∈Rb×c×w×h，则该图像的L2L_2L2​范数的定义为：L2(Xb,:,w,h)=∑l=1cXb,l,w,h2L_2(X_{b,:,w,h})=\sqrt{\sum\limits_{l=1}^{c}X_{b,l,w,h}^2}L2​(X

1.官网介绍  在CPU中设置生成随机数的种子，并返回一个torch.Generator对象。当设置的种子固定下来的时候，之后依次pytorch生成的随机数序列也被固定下来。需要注意的是当只调用torch.manual_seed()一次时并不能生成相同的随机数序列。如果想要得到相同的随机数序列就需要每次产生随机数的时候都要调用一下torch.manual_seed()。2.代码实例实例1（调用一次

FedSGD的更新过程与标准梯度下降形式一致，通过实时汇聚各客户端的梯度信息，实现高精度的同步更新，从而保证模型在全局范围内的梯度一致性。与参数共享类方法（如 FedAvg、FedSGD）相比，FedRepr更关注特征语义的一致性，而非数值权重的统一，因此在非IID数据下更具鲁棒性与稳定性，适合跨领域、跨任务及设备异构的联邦场景。通过这一过程，各客户端能够在共享的语义空间中对齐类特征表示，实现全局

📌 1 引言随着 ChatGPT、Llama 等大模型的广泛应用，如何区分与成为一个重要问题。马里兰大学团队在论文中提出了一种，可以在不影响文本可读性的情况下，让AI输出的文本带上“隐形标记”，从而在检测阶段以统计方法验证其来源。📌 2 大模型水印的目的与应用场景大语言模型水印机制的根本目标是：在的前提下，通过在生成过程中嵌入隐形特征，使 AI 生成的内容能够被可靠识别和追溯。这不仅能区分与，

评估使用了多元化的指标与判别器来衡量攻击成功率与输出危险性，结果如下表所示， DTA在大多数模型与评估维度上都显著优于这些基线方法，不仅在平均攻击成功率上取得领先，而且在不同模型间表现更稳定，这说明通过动态采样并循环优化目标，DTA能更有效地贴合目标模型的高风险生成区域，从而提升越狱的可靠性与一致性。与以往强制模型生成固定回应的越狱方式不同，DTA创新性地让模型自发生成候选响应，并动态选择其中最具

结果表明，即使在较强的SmoothLLM防御下，UJA依然能够保持60%的攻击成功率，这远高于其他基线方法，如COLD-Attack和GCG，这些方法的成功率在同样的防御环境下显著下降。UJA的思路更聪明：不逼演员背台词，而是改成两步走——先问“裁判最怕听到哪类话”（找到危险的“说话风格”），再把这种“怕”的信号翻译成演员能听懂的方式并教给演员（优化提示），从而在更大的语言空间里更快、更隐蔽地诱导

（4）跨模型泛化性差，迁移到其他大模型需重新训练。为解决这些问题，该论文提出了端到端logits扰动水印模型，通过编码器与解码器的联合优化实现鲁棒性与语义保持的平衡，利用“在线提示”机制将非可微操作转化为可微代理，并通过“跨模型适配转换器”实现不同大模型间的零样本迁移。为验证模型的跨语言模型泛化能力，作者在训练阶段仅使用OPT-1.3B进行端到端优化，并在测试阶段直接将已训练模型应用于Mixtra