生成式人工智能算法专利保护的理据与进路

生成式人工智能算法是ChatGPT类应用的核心,基于其技术特征,现有著作权保护容易忽视其与传统算法的异同,只保护其具有差异性的代码内容。采用商业秘密保护,不仅会加剧算法的“不可解释性”,还会导致私人利益与公众权益的失衡。适用行业自律保护,则易诱发知识产权侵权风险,不符合市场追求效益与效率的宗旨。而以“公开换保护”的专利保护既能给予其充足的保护空间,也能规制其引发的社会风险。在专利保护体系下,应厘清生成式人工智能算法与相关客体的差异以确定其专利客体属性,从“正向界定”与“反向排除”入手以划定专利授权范围,立足于其技术特征以修正“专利三性”审查标准,明确其可专利性规则,回应ChatGPT类应用保护的现实需求,赋能我国数字经济发展。

生成式与判别式视觉目标跟踪算法综述

视觉目标跟踪是对目标位置、速度、运动轨迹等信息检测与预测的技术。该技术融合了计算机视觉、图像处理、深度学习等众多技术。将对目标跟踪算法发展情况以及研究现状进行梳理,首先介绍目前常用的基准数据集;其次指出生成式算法与判别式算法差异;再对传统的生成式算法进行简单分析总结;随后围绕算法框架分别介绍相关滤波框架、深度学习框架、孪生网络框架、Transformer框架的判别式算法并分析不同算法的优缺点;最后分析目前动态目标跟踪存在的问题并展望。

安全性可控的生成式文本隐写算法

生成式文本隐写算法通过对候选池中的单词进行控制性选择映射来隐藏秘密信息,通常包含3个模块:文本生成模型、候选池概率分布截断和隐写嵌入算法。由于不同时刻文本生成模型输出的概率分布差异巨大,现有算法通常采用top-k或top-p对候选池单词的概率分布进行截断,以减少低概率的生成词,提高生成文本的安全性。当文本生成模型输出的候选池概率分布过于集中(over-concentrated)或过于平坦(over-flat)时,原有的top-k或top-p截断方式不足以应对概率分布的变化,容易产生概率较低的词或忽略概率较高的词,导致生成文本的安全性指标出现异常。针对此类问题,提出了安全性可控的生成式文本隐写算法,在候选池中根据秘密信息控制性选择生成词时,所提算法基于困惑度和KL散度的参数约束,动态进行候选池概率分布的截断,使候选池中所有单词都满足参数约束,提高了生成文本的安全性。实验结果表明,所提算法生成的隐写文本困惑度和KL散度可控;在相同KL散度情况下,生成文本的困惑度较现有算法下降最高达20%~30%;可以同时控制困惑度和KL散度,在指标合理的情况下,使生成的文本同时满足困惑度和KL散度两个指标。在使用3种文本隐写分析算法检测生成的隐写文本时,检测准确率均在50%左右,表现出很好的统计安全性。

视频目标跟踪算法综述

本文介绍了视频目标跟踪算法及其研究进展。首先给出了视频目标跟踪技术的定义和特点;然后将其分为生成式跟踪算法和判别式跟踪算法两大类,进而简单评析了两大类算法中的经典方法;最后进行了总结和展望。

The structure-based multi-fault test generation algorithm for combinational circuit

In this paper the structure-based test generation algorithm has been studied for the problem that test patterns are obtained by determined finite faults set in the past. This Algorithm can find out all test patterns one tithe, so faults detection is very convenient. By simulation, the smallest test patterns set can be obtained and faults coverage rate is 100%.