Introduction

「Backdoor Watermarking」是一種數位浮水印技術，用於保護智慧財產權或確保資料安全。與傳統數位浮水印不同，後門數位浮水印技術被設計用於在資料中引入一種隱秘的標記或特徵，該標記可以作為後門或秘密通道的形式存在。這種標記通常對正常的資料處理不會產生影響，但當特定條件被滿足時，這些標記可以被識別出來。

後門數位浮水印通常在特定情況下才會被啟動或檢測出來，例如在未經授權的資料訪問或未經授權的使用情況下。它們可以用於確認資料的合法性、追蹤資料的來源、防止未經授權的複製或修改等方面。

這種技術的應用包括版權保護、內容安全、防止資料盜竊等方面。它為資料提供了一種隱藏的保護機制，當資料被非法使用或未經授權時，可以説明確定資料的合法性並追蹤資料的來源。

簡介

We focus on automatic segmentation of multiple anatomical structures in (whole body) CT images.
Many segmentation algorithms exist for this task. However, in most cases they suffer from 3 problems:

1. They are difficult to use (the code and data is not publicly available or difficult to use).
2. They do not generalize (often the training dataset was curated to only contain very clean images which do not reflect
   the image distribution found during clinical routine)
3. The algorithm can only segment one anatomical structure. For more structures several algorithms have to be used which increases the effort required to set up the system.

In this work we publish a new dataset and segmentation toolkit which solves all three of these problems:
In 1204 CT images we segmented 104 anatomical structures (27 organs, 59 bones, 10 muscles, 8 vessels)

簡介

「稀疏學習」是一種機器學習技術，旨在學習具有稀疏性的模型或參數，以便有效地表示數據並提取重要的特徵。稀疏學習強調僅使用少量的非零元素來表示數據，從而減少計算和存儲的成本，同時保持良好的性能。

簡介

流形學習（Manifold Learning）是一種機器學習和數據分析的技術，旨在探索和理解高維數據在低維流形（manifold）中的結構。在現實世界中，很多數據存在於高維空間，但實際上可能分佈在更低維的嵌入子空間中。流形學習的目標是通過將這些嵌入子空間中的結構轉化為更容易可視化、分析和處理的形式，以便更好地理解數據的特點和關係。

簡介

對抗性示例（Adversarial Examples）是指在機器學習和人工智慧領域中，經過故意修改的輸入數據，通常是對原始數據進行微小但精心設計的改變，這種修改可以導致訓練有素的機器學習模型產生出錯誤的結果。

對抗性示例的產生是通過在原始輸入數據中添加微小的、人眼難以察覺的扰動，這些扰動在數據空間中的位置通常是調整過的，以便最大限度地欺騙機器學習模型。儘管對抗性示例的改變通常對人類觀察者來說是微不足道的，但它們卻能夠導致模型做出顯著不同的預測，甚至產生錯誤的結果。

對抗性示例的研究具有重要的意義，它揭示了當前機器學習模型的脆弱性，這些模型在面對微小變化時可能會出現不穩定的行為。為了提高模型的穩健性，研究者們努力開發抵抗對抗性示例攻擊的方法，以確保模型在面對這種干擾時能夠保持較高的準確性和可靠性。

簡介

「表徵學習」（Representation Learning）是機器學習和人工智慧領域的一個概念，其主要關注自動構建有意義和有用的數據表示（特徵或抽象），將原始的高維數據轉換成更緊湊且信息豐富的形式，以捕捉其中重要的潛在模式或特徵。

簡介

「Causal Relation」可以翻譯成「因果關係」。在哲學、科學、統計學和語言學等領域中，「因果關係」指的是一種事件或概念之間的關聯，其中一個事件被認為是另一個事件發生的原因或結果。換句話說，當一個事件或行為影響或導致另一個事件或行為發生時，我們稱之為「因果關係」。這種關係可以是直接的或間接的，但通常涉及一個事件引起另一個事件的變化或影響。

在科學研究中，確定因果關係對於理解事件之間的關聯性和原因和結果之間的聯繫至關重要。因此，科學家們使用不同的方法，如實驗設計和統計分析，來確定事件之間是否存在因果關係。

需要注意的是，僅僅因為兩個事件相互發生，並不一定意味著它們之間存在因果關係。要確定因果關係，需要進一步的研究和證據支持。

簡介

TensorRT（TensorRT：Tensor Runtime）是由NVIDIA開發的深度學習推理（Inference）優化庫，旨在提高深度學習模型的推理性能。它針對 NVIDIA GPU 進行了高度優化，可用於加速各種深度學習工作負載，包括圖像分類、目標檢測、自然語言處理等任務。

簡介

在自然語言處理中，”Chain-of-Thought Prompting”（連鎖思維提示）是一種技術，用於語言模型（如ChatGPT）中生成更具上下文連貫性和相關性的回應。使用此方法時，克戶提供一系列相關的提示或問題，形成一個連貫的思維鏈。這種方法有助於引導模型以邏輯和一致的方式進行回應。

簡介

機器學習（Machine Learning，簡稱ML）是人工智慧（Artificial Intelligence，簡稱AI）的一個重要分支，旨在使計算機能夠通過學習從數據中提取模式和知識，並使用這些模式和知識來做出預測、做出決策或執行特定任務，而不需要明確地進行編程。

機器學習的主要目標是使計算機能夠自動學習並改進它們的性能，而不需要人類明確地指導或規定每個步驟。這通常是通過使用大量的數據和數學算法來實現的。