本报告围绕“数据集不平衡程度评估”展开，聚焦于如何科学量化多类数据中的结构性不平衡问题，突破传统以样本比例为核心的评估局限。报告系统回顾了不平衡评估的发展脉络，分析了现有方法在面对类别重叠、边界复杂等结构特征时的适应能力，并重点介绍了一种基于最小生成树的新型度量方法——MFII，能够联合考虑簇分布与类别混杂程度。通过在多种真实与合成数据集上的实证分析，验证了该方法在稳定性与解释性上的优势。报告最后，讨论了当前方法对高维复杂数据的适配性限制，并提出了未来在多视角建模、深度表示结合等方向的研究展望。
数据集不平衡评估-马西洋原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2025/07/28/%e6%95%b0%e6%8d%ae%e9%9b%86%e4%b8%8d%e5%b9%b3%e8%a1%a1%e8%af%84%e4%bc%b0/
聚焦多模态意图识别场景下复杂意图理解与细粒度语义推理问题，概述文本、视频、音频等模态融合中的语义异构、噪声干扰、模态冲突与粗粒度表示的局限；重点介绍 LGSRR 基于大模型引导的细…
表格数据生成能为深度学习扩充不平衡数据，同时也能避免隐私问题，研究如何生成高保真表格数据具有重要意义。本次报告分析了各个生成模型的优劣，以及GAN在表格数据领域的创新思路。
目前针对二进制漏洞挖掘主要有三个研究方向：符号执行、污点分析和模糊测试。本次报告首先介绍了污点分析的三个重要…
案件文本分析包含多个子任务，比如罪名、刑期、法条裁决、相似案例匹配、Q&A等。人工智能在法律中的应用，其目标是充分提升法治效能，将法律工作者从繁杂的工作中解放出来。本次学术…
本次学术报告对实验室以往在源代码漏洞检测方向的积累做一个总结，展望未来的发展方向，从技术和应用两个视角审查当前源代码漏洞检测面临的问题。进一步从泛化性、细粒度漏洞检测两个方面进行论…
本报告探讨了大语言模型智能体工具调用机制中的安全漏洞，重点分析了两种新型攻击方法。AMA攻击通过黑盒迭代优化恶意工具的元数据，使其在语义合法的前提下显著提升被智能体选择的概率，在多…
在很多场景下，收集大量的有标签的数据是非常昂贵、困难、甚至不可能。因此在特定领域、小语种等缺乏标注资源的情况下，NER 任务往往得不到有效解决。为了解决少量标注数据的命名实体识别，…
CPU的性能提升是几十年来相关研究的重要主题，但随之而来的安全问题也愈发引起重视。其中推测执行漏洞因其种类多、隐蔽性高等问题使相关对抗方法的研究面临众多挑战，因此，如何提升CPU对…
当深度学习以惊人的准确性执行各种各样任务的同时，在图像分类等领域的深度神经网络却容易受到对抗样本的攻击，从而输出错误的预测结果。本次学术报告首先说明了对抗攻防的主要方法分类和残差网…
本报告围绕多智能体系统的传染性越狱安全风险展开，重点关注如何通过攻击单个智能体，利用多智能体间的通信、记忆检索与协作机制，将越狱效应在系统中指数级扩散。报告从多智能体架构、攻击面、…
