AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：自学习×
6月16日
20:46
6月12日
13:45
13:45arXiv cs.LG@Rodrigo de Sapienza Luna, Daniel Ratton Figueiredo
该研究提出了一种基于图神经网络（GNN）和自学习框架的无监督图聚类方法。方法通过多轮自学习迭代，每轮使用GNN生成节点表示并进行聚类，聚类结果影响下一轮的图结构。同时，每轮利用原始图构建上下文图来生成节点表示。实验表明，该方法能同时利用网络边和节点属性信息，在合成数据上优于仅依赖网络或属性的算法。多轮学习持续提升性能，且优于单轮长训练。在真实数据集上，当簇大小平衡时，该方法与现有最优方法竞争力相当。
论文图神经网络图聚类自学习节点属性网络无监督学习
推荐理由：图聚类是网络分析的基础问题，这项研究解决了同时利用网络结构和节点属性的难题。做社交网络分析、生物网络或推荐系统的研究者，可以关注这个自学习框架带来的性能提升。
原文
12:57
6月11日
15:28
15:23
15:07
6月9日
10:12
10:12arXiv cs.AI@Chenglin Yang
精选
AgentTrust 提出了一种针对AI智能体动作的信任层，能根据威胁类型（词法或语义）决定是否允许、警告、阻止或升级操作。词法威胁可通过确定性规则处理，而语义威胁（如表面相似但意图不同的动作）则依赖LLM判断。该系统通过自学习机制，在语义攻击为主的语料上，将规则准确率从48%提升至83.6-85.2%，且误报率极低。AgentTrust v2 采用双存储系统：对词法威胁蒸馏出确定性规则以降低成本，对语义威胁使用带验证的RAG记忆，将语义准确率提升13个百分点。在45000个动作的端到端回放中，LLM调用率从50%降至44%，准确率从71%升至80%，且未误阻任何良性动作。
论文智能体安全/信任LLM判断自学习威胁分类
推荐理由：AI智能体安全是当前最棘手的工程问题之一，AgentTrust 用自进化信任层解决了规则无法覆盖语义攻击的痛点，做智能体安全或自动化运维的团队可以直接参考其架构设计。
原文