計畫使用基於 BERT 的方法進行異常文本的半監督學習，該方法分為四個部分：無監督預處理、聚類演算法、偽標籤整合，以及使用大型模型的主動學習。
主流的偵測追蹤融合範式採用「基於偵測的追蹤」，其基本流程如圖 4.1 所示。此框架使用目標檢測器作為前端感知模組，以及多...
圖一：傳統被動式時間軸摘要（TLS）流程的結構性限制。此圖例視覺化呈現了為何現有方法會產生脆弱的敘事。階段一：輸入：大量...
领域研究背景： 面对漏洞无法完全避免的情况，尽管现在漏洞检测技术包括静态分析与模糊测试等技术比较成熟，但是在漏洞检测出来...
方法二：基于注意力机制的动态系数学习 - **核心思想**：引入注意力层，让模型自动学习不同Token在情绪调控中的...
![圖一：傳統被動式時間軸摘要（TLS）流程的結構性限制。此圖例視覺化呈現了為何現有方法會產生脆弱的敘事。階段一：輸入：大量非結構化文字的混亂雲團作為嘈雜的資料來源。階段二：處理：被動式檢索機制基於表面相似性選擇片段，忽略了上下文間的差距。這些片段被強行通過缺乏彈性的固定模式模組。階段三：輸出：結果是一個脆弱的時間軸，被描繪成一座橫跨峽谷的斷橋，呈現出巨觀層面的因果關係缺口，里程碑之間存在巨大的物理空隙，標記為缺失的中間階段，代表邏輯流程斷裂，以及微觀層面的元素缺口，以褪色、半透明的節點和諸如[日期：？]之類的佔位符標記，標記為未充分指定的里程碑。總結：這種被動式流程產生了弱可驗證的敘事，促使我們提出了主動式時間軸補全（ATC）框架。](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FYTKKT4KX6I1Z0I9zVD8Dvk3dLNiZdiB4%2Ff8b117a6-3860-4361-9ba9-68a3f0ad3b68%2Ffa327c56-a2aa-42f4-bb4c-4bc614c51c33.png&w=3840&q=75)
，并将功能
向量(A -B)作为"情绪查询向量"gero。
(2)计算Token-情绪注意力权重:通过缩放点积注意力计算每个Token与情绪查询向量的匹配度:
ai = Softmax (huaye)
其中d:为hi的维度。
(3)自适应注入功能向量:对每个Token状态施加hi+ai.(A-B)。这是我这一部分的思路](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2F21yePdfXfrXMwKl3x4fhPD0TH1d7yghe%2F4a7680a8-334b-44a9-bf77-6adf2b1dd5e7%2Fcd765bfe-d81d-4f08-b6e5-510889b6cb6c.png&w=3840&q=75)