WUSTCA: улучшенная классификация радиочастотных сигналов БПЛА с использованием вейвлет-преобразования и механизмов внимания STCA.

Агенты LLM все чаще действуют на длинных горизонтах, где одна траектория может содержать сотни или тысячи действий. В таких случаях награды, основанные только на результатах, предоставляют слишком скудные сигналы, не информируя модель о качестве промежуточных действий. Методы плотного контроля旨енты к решению этой проблемы путем оценки промежуточных шагов, начиная от внутренней уверенности и заканчивая самодистилляцией и сходством вложений. Однако обычно эти методы оцениваются путем измерения последующей производительности тренировочного процесса, который интегрирует их. Это дорого, смешивает качество контроля с инженерными факторами обучения и делает различные методологические группы несравнимыми из-за необходимости различных настроек обучения. В результате методы плотного контроля редко проверяются на общем основании. Мы представляем QVal, тестовую платформу без необходимости в обучении для прямой оценки сигналов плотного контроля. Учитывая пару состояние-действие, QVal измеряет, насколько хорошо оценка метода соответствует Q: упорядочивает ли она действия согласно Q-значениям сильной эталонной политики. Это позволяет нам сравнивать сигналы еще до любого запуска обучения и отделять качество сигнала от других инженерных решений. Мы внедрили QVal в виде QVal-v1.0, оценив 21 метод плотного контроля в четырех различных средах и семи методологических группах, проведя более 1,2 тысячи экспериментов по оценке на шести основных моделях с открытыми весами. Мы обнаружили, что простые базовые подходы к подсказкам постоянно превосходят современные методы плотного контроля из литературы, и что производительность сильно кластеризуется по семействам. Эти результаты подтверждаются на различных размерах моделей, средах и модальностях наблюдения. QVal разработан с учетом простоты расширения для новых сред и методов, что позволяет исследователям дорабатывать методы плотного контроля до любого запуска обучения.

Эффективная ассоциация ячеек остается фундаментальной задачей в системах пятого поколения (5G) «автомобиль-все» (V2X) из-за быстрых изменений топологии, гетерогенных развертываний и строгих требований к задержке. Конвенциональные подходы на основе обучения часто опираются на мелкие представления или независимые стратегии оптимизации, что ограничивает их адаптивность в густых и быстро меняющихся условиях. В данной работе предлагается структура многоуровневого графового представления, которая моделирует взаимодействия между автомобилями и базовыми станциями в иерархических пространственных структурах. Предложенный подход интегрирует контекстное встраивание узлов с графовым обучением, основанным на внимании, для выявления паттернов мобильности, характеристик сигналов и зависимостей нагрузки сети. Кроме того, в механизм обучения на стадии подготовки включен оптимизационный механизм для уточнения параметров внимания, что улучшает сходимость без увеличения сложности вывода. Структура была оценена на реальном наборе данных мобильности автомобилей, что продемонстрировало постоянные улучшения в стабильности ассоциации, надежности переключения и общей производительности сети по сравнению с существующими методами глубокого обучения и графами. Экспериментальные результаты показывают приросты точности (94,17%) и F1-меры (93,93%), что указывает на повышение устойчивости решений в динамических условиях. Хотя валидация проводилась на городском наборе данных, предложенная архитектура обеспечивает масштабируемую основу для адаптивного выбора ячеек в системах интеллектуального транспорта следующего поколения.

Тенденция крупных генеративных моделей запоминать обучающие данные делает проверку выборки критически важной для аудита конфиденциальности и соблюдения авторских прав. Текущие атаки на членство (MIA) и вывод о наборе данных (DI) часто полагаются на одноразовые генерации, что приводит к слабым сигналах и ограниченной чувствительности к различным модальностям. Вдохновленные Расстройством Автофагии Моделей (MAD), мы представляем MADreMIA, модельно-агностическую структуру, которая улучшает белые, серые и черные атаки MIA и DI. Вместо того чтобы полагаться на обучение теневых моделей, что часто является непрактичным для крупных генеративных моделей, наша структура облегчает масштабируемый вывод, используя присущие сигналы через итеративные траектории. Этот процесс использует цепные генерации в различных модальностях, где каждый выход служит последующим входом, для улучшения доказательства членства при низком уровне ложноположительных срабатываний. Мы демонстрируем, что запомненные обучающие образцы обладают значительно большей когерентностью и медленнее деградируют во время итеративной регенерации, чем необсуждаемые генерации. Наши результаты показывают, что MADreMIA предоставляет более богатые сигналы для различных моделей и модальностей; мы представляем полные оценки для IAR, диффузионных и языковых моделей, а также предварительные результаты, демонстрирующие ее потенциал для аудиомоделей.

Надежная система производства продуктов питания является краеугольным камнем обеспечения продовольственной безопасности. Интегрируя концептуальные значения устойчивости производства продуктов питания, данное исследование создает многомерную оценочную индексную систему, охватывающую устойчивость, восстановление и адаптивные способности. Используя панельные данные из Синьцзяна за период с 2010 по 2022 годы, исследование применяет интегрированную методологию, включая метод энтропийного веса, модифицированную гравитационную модель, анализ социальных сетей (SNA) и модель XGBoost-SHAP, для систематического анализа уровней устойчивости, характеристик структурной сети и основных механизмов, определяющих производство продуктов питания в регионе. Результаты показывают, что: с 2010 по 2022 годы уровень устойчивости производства продуктов питания в Синьцзяне демонстрировал непрерывный рост, характерный пространственной гетерогенностью с относительно узким разрывом. В течение исследуемого периода сетевое взаимодействие устойчивости производства продуктов питания в Синьцзяне становилось все более плотным; однако его характеризовало низкое сетевое плотность при топологии высокой кластеризации и коротком среднем пути. Наблюдались асимметричные особенности между регионами ввода и вывода, сопоставленные с уменьшением числа переноса между блоками. Площадь пашни на душу населения (X5), доступность транспортной инфраструктуры (X15), прогресс в сельскохозяйственных технологиях (X12) и среднегодовая температура (X1) заняли четыре первых места среди фактор влияния, при этом взаимодействие между площадью пашни на душу населения (X5) и доступностью транспортной инфраструктуры (X15) было наиболее значительным. Эти исследовательские выводы могут предоставить ценные ссылки для обеспечения продовольственной безопасности на уровне государства.

В данной работе представлена компактная MIMO-антенна с четырьмя элементами, демонстрирующая резонанс на частотах 6.39 ГГц, 11.09 ГГц, 14.69 ГГц и 17.96 ГГц, охватывающая диапазоны C, X и Ku соответственно в рамках одной компактной структуры. Разработанная четырехэлементная MIMO-антенна использует Y-образную радиирующую монопольную конфигурацию с соединённымиGround-элементами для удобной интеграции в системы. Также разработанная MIMO-антенна достигает геометрически обусловленной круглой поляризации (CP) под определёнными углами возвышения без внешних фазовращателей или паразитных структур, что приводит к повышенной надежности против затухания многопутевых сигналов и несовпадения поляризаций. Кроме того, критически важный параметр высокой изоляции между элементами поддерживается (Sij < -20 дБ), эффективно подавляя взаимные помехи. Параметры представленного дизайна четырехпортовой антенны также оптимизированы с использованием различных алгоритмов машинного обучения, причем модель гауссовской регрессии оказалась наиболее подходящей, обеспечивая наилучшие показатели возвратных потерь. В заключение, разработанная четырехпортовая MIMO-антенна была изготовлена, и её прототип протестирован для валидации смоделированных результатов. Компрéhенсивный анализ характеристик разнообразия демонстрирует параметры ECC (≤ 0.001), DG (≈ 10 дБ), CCL (< 0.2 б/с/Гц) и TARC (> 9.99), что обеспечивает эргодическую пропускную способность канала, превышающую 9 б/с/Гц. Средняя эффективность наблюдается на уровне 57% по всем диапазонам с пиковым усилением 9.78 дБи на 17.96 ГГц, что делает это решение высокоинтегрированным, надежным и перспективным для CP-MIMO систем связи, делая его сильным кандидатом для спутниковых и современных беспроводных приложений.

Обучение с подкреплением (RL) стало центральным компонентом постобучения крупных языковых моделей (LLMs), однако мало что известно о том, как адаптация RL распределена по слоям трансформера. Существующие подходы обычно обновляют все параметры модели равномерно, подразумевая, что каждый слой вносит схожий вклад в приросты, достигнутые в процессе постобучения с использованием RL. В данной работе мы ставим под сомнение это предположение через систематическое изучение обучения RL по слоям. Удивительно, но мы обнаружили, что обучение одного слоя трансформера может воспроизвести большую часть приростов, достигнутых при полном обучении с RL, а в некоторых случаях даже превзойти его. Чтобы количественно оценить это явление, мы вводим величину "вклад слоя", которая измеряет долю полного улучшения RL, достигнутого благодаря обучению слоя в изоляции. В рамках семи моделей, охватывающих две семейства моделей (Qwen3, Qwen2.5), три алгоритма RL (GRPO, GiGPO, Dr. GRPO) и несколько областей задач, включая математическое рассуждение, генерацию кода и агентное принятие решений, мы наблюдаем замечательно стабильный паттерн: приросты RL сосредоточены в небольшом подмножестве, а в большинстве случаев даже в одном слое трансформера. Более того, тот же структурный паттерн последовательно возникает: слои с высоким вкладом сосредоточены в середине стека трансформера, тогда как слои ближе к входу и выходу вносят значительно меньший вклад. Ранжирование слоев при этом остается сильно коррелированным между датасетами, задачами, семействами моделей и алгоритмами RL.