2025年生物信息学与食品营养国际会议(ICBFN 2025）

最新推荐文章于 2025-05-11 00:15:00 发布
最新推荐文章于 2025-05-11 00:15:00 发布
阅读量383 收藏 7
点赞数 6
分类专栏： 社科 文章标签： 论文阅读 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2403_89423032/article/details/147731292
版权

2025 International Conference on Bioinformatics and Food Nutrition

【一】、大会信息

会议简称：ICBFN 2025
大会地点：中国·西安
收录检索：提交Ei Compendex,CPCI,CNKI,Google Scholar等

【二】、会议简介

2025年生物信息学与食品营养国际会议即将在中国古都西安盛大召开。本次会议旨在汇聚全球生物信息学及食品营养领域的顶尖学者与专家，共同探讨学科前沿，促进学术交流与合作。会议将围绕生物信息学在食品营养研究中的应用、食品营养成分的精准分析、以及如何利用大数据和人工智能技术提升食品营养研究水平等热点话题展开讨论。与会者将有机会分享最新的研究成果，探讨存在的挑战与机遇，共同推动生物信息学与食品营养领域的融合与发展。此外，会议还将设置展览区，展示最新的科研设备、技术成果和食品营养产品，为参会者提供一个直观了解行业动态的窗口。
我们诚挚邀请全球生物信息学与食品营养领域的专家学者、科研人员及企业代表积极参与本次盛会，共同为推动学科的进步与发展贡献力量。在西安这座古老而又充满活力的城市中，让我们携手并进，共创生物信息学与食品营养领域的辉煌未来！

【三】、会议主题

生物信息学：
制药应用
序列分析
结构预测
合成生物学
计算蛋白质组学
结构生物信息学
免疫和化学信息学
模型验证的实验方法
基因工程和蛋白质工程
多尺度建模和综合研究


食品营养：
食品科学
食品化学
分子营养学
食品添加剂
食品微生物
食品的构成
天然产品和创新
膳食营养与功效
食品安全与健康
【研究领域包括但不限于以上主题】

【四】、检索与出版

评审录用后，文章将以会议论文集的形式出版，最终提交EI Compendex、Scopus和Inspec等数据库检索

【论文阅读】HunyuanVideo: A Systematic Framework For Large Video Generative Models
xianshuiyihui的博客
05-07 849
Hunyuan Video论文详解
[论文笔记] 超详细解读DeepSeek v3全论文技术报告
心宝的博客
05-08 229
（可以理解为有多个专家，但每个token只会选择一部分专家进行推理，所以一个token的预测，只会用到37B参数），DeepSeek-V3 使用了。来实现高效的流水线并行（减少空泡情况，计算和通信同时进行，提升每张显卡的利用率）。对DeepSeek-V3进行了两阶段的上下文长度扩展。，在不使用采样loss帮助下，让每个专家访问次数接近）的。2、在第二阶段，进一步扩展到128K。阶段，以使其与人类偏好保持一致，并进一步释放其潜力。个不同的高质量token训练，然后进行监督微调和。，MoE）语言模型，总共。
【论文阅读】Harnessing the Power of LLM to Support Binary Taint Analysis
网络空间安全|人工智能|计算机科学
05-07 1192
研究背景软件测试与漏洞检测现状：软件测试是保证软件质量的主要方法，但无法确保无漏洞。二进制漏洞可能被利用，引发网络攻击，第三方安全审计及静态二进制污点分析成为保障软件安全的重要手段。静态二进制污点分析概述：该分析通过识别污点源、传播污点标签、检查漏洞点来检测漏洞，然而其部分流程依赖人工，规则设计复杂且易出错。LLMs的应用潜力：LLMs在代码理解方面有优势，如代码生成和总结，但应用于二进制漏洞检测存在提示工程和代码上下文编码等挑战。LATTE设计整体思路。
论文阅读笔记——ROBOGROUND: Robotic Manipulation with Grounded Vision-Language Priors
Multiple_x的博客
05-06 1236
ROBOGROUND: Robotic Manipulation with Grounded Vision-Language Priors 论文阅读笔记
【论文阅读】Efficient and secure federated learning against backdoor attacks
wzx_442011334的博客
05-10 449
ESFL通过巧妙地结合自适应LDP和压缩感知，在抵抗后门攻击、保护隐私、维持模型效用和提高通信效率方面取得了显著的平衡和改进。然而，这种平衡是以增加一定的计算复杂度和参数调优难度为代价的，并且仍受到差分隐私和有损压缩固有局限性的影响。
vison transformer vit 论文阅读
njsgcs的博客
05-09 435
20年的论文看成10年的哈斯我了[2010.11929] 一张图像胜过 16x16 个单词：用于大规模图像识别的转换器 --- [2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
[论文阅读]Deeply-Supervised Nets
qq_41776136的博客
05-09 799
深度监督网络（DSN）通过为每个隐藏层引入“伴随目标”，在最小化分类误差的同时，增强了隐藏层学习过程的透明性和直接性。该方法在卷积神经网络（CNN）中关注中间层的透明性、早期层特征的区分性和鲁棒性，以及梯度爆炸和梯度消失问题。DSN通过为每个隐藏层引入独立目标，显著提升了分类性能，实验结果表明在MNIST、CIFAR-10、CIFAR-100和SVHN等基准数据集上优于现有方法。DSN不仅提高了训练效率，还增强了模型的泛化能力，展示了在深度学习中的潜力。
【论文阅读27】-TCN–BiLSTM -滑坡预测
wangshangshang09的博客
05-09 839
这篇论文提出了一种基于 ICEEMDAN 方法和 TCN–BiLSTM 组合神经网络的滑坡位移预测模型，先用 ICEEMDAN 将滑坡位移数据分解为趋势项和波动项，分别建模预测，趋势项采用三次多项式拟合，波动项通过 TCN 提取特征并输入 BiLSTM 进行预测，最终叠加得到总位移预测值。应用于四川万家湾滑坡实测数据，结果表明该方法较传统单模型具有更高的预测精度和工程应用价值，尤其适用于降雨型滑坡的高精度预警。
【论文阅读】FreePCA
xianshuiyihui的博客
05-09 1056
中科大最新training-free视频生成模型FreePCA论文阅读
[论文阅读]BadPrompt: Backdoor Attacks on Continuous Prompts
m0_52911108的博客
05-10 582
拿到一个数据集，把它分成训练集、验证集和测试集这三部分。接着，按照被攻击模型原来的训练方法，用训练集训练出一个正常的模型，这个模型就是后续操作的重要依据。从训练集里把标签是攻击目标的那些样本找出来，这些样本就组成了一个 “种子集合”。对于种子集合里的每个样本句子，多次随机挑出其中的一些词，把这些词组合在一起，就得到了很多不同的词组合。把这些词组合一个个输入到之前训练好的正常模型里，模型会给出一些预测结果，这些结果用概率来表示。
【论文阅读】Reconstructive Neuron Pruning for Backdoor Defense
开心星人的博客
05-07 413
有趣的是，我们发现，如果“遗忘”在神经元级别进行，而“恢复”在过滤器级别进行，那么网络倾向于重新定位后门神经元，以补偿因“遗忘”而失去的干净特征造成的损失。然后可以从网络中轻松剪枝这些后门神经元。Fine-pruning是一种传统的剪枝方法，从被后门攻击的模型中剪枝那些小范数的神经元，而NAD（Li等人，2021c）采用微调后的模型作为教师来蒸馏被后门攻击模型的神经元。与ANP使用的对抗性扰动技术相比，我们的RNP通过不对称的遗忘和恢复过程，暴露更多与后门相关的神经元，并在剪枝步骤中实现更好的后门净化。
【LDM】视觉自回归建模：通过Next-Scale预测生成可扩展图像（NeurIPS2024最佳论文阅读笔记与吃瓜）
小哈里的博客
05-06 1116
【LDM】视觉自回归建模：通过Next-Scale预测生成可扩展图像（NeurIPS2024最佳论文阅读笔记与吃瓜） 《Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction》 视觉自回归建模：通过Next-Scale预测生成可扩展图像 文章目录 1、吃瓜：tky事件，NeurIPS与最佳论文 2、论文：摘要，正文，结论 3、导读：文章核心内容总结
【论文阅读】Towards Stable Backdoor Purification through Feature Shift Tuning
开心星人的博客
05-07 817
普通的微调方法在低投毒率场景下完全失效。我们的分析表明，低投毒率下，后门特征与干净特征之间的纠缠削弱了基于微调的防御效果。因此，为了提高后门净化效果，有必要将后门特征与干净特征解耦。为了解决这一问题，我们引入了一种基于微调的后门净化方法——特征偏移微调（Feature Shift Tuning，FST）。具体而言，FST通过主动使分类器权重偏离最初被篡改的权重，来鼓励特征偏移。广泛的实验表明，我们的FST在不同的攻击设置下能够提供一致且稳定的性能。
使用零样本LLM在现实世界环境中推广端到端自动驾驶——论文阅读
qq_54556560的博客
05-09 549
2024年12月，纽约Stony Brook大学、UIC和桑瑞思公司联合发表了一篇关于自动驾驶的论文，提出了一种新型架构，将多模态大型语言模型（LLM）集成到端到端自动驾驶模型中，以增强其在现实环境中的泛化能力。传统自动驾驶方法采用模块化设计，存在误差累积问题，而端到端方法直接从传感器数据输出动作，但需要大量训练数据。本文提出的架构通过LLM定期生成高级驾驶指令，指导端到端模型，降低了对数据的需求，且无需微调LLM。实验表明，该架构在复杂测试环境中显著提升了模型的泛化能力，最佳组合的成功率从40%提升至83
【论文阅读】——Articulate AnyMesh: Open-Vocabulary 3D Articulated Objects Modeling
河海大学研究生在读的学习笔记
05-09 939
3D铰接对象建模长期以来一直是一个具有挑战性的问题，因为它需要捕获精确的表面几何形状以及语义上有意义和空间上精确的结构、零件和关节。现有方法严重依赖于一组有限的手工制作的铰接对象类别(例如，橱柜和抽屉)的训练数据，这限制了它们在开放词汇上下文中对大范围铰接对象建模的能力。为了解决这些限制，我们提出了articable ANYMESH，**这是一个自动化框架，能够以开放词汇的方式将任何刚性3D网格转换为其铰接的对应对象**。
【论文阅读】Adversarial Training Towards Robust Multimedia Recommender System
hongjianMa的博客
05-07 841
随着多媒体内容在网络上的普及，迫切需要开发能够有效利用多媒体数据中丰富信息的推荐解决方案。由于深度神经网络在表示学习方面的成功，近期多媒体推荐的研究主要集中在探索深度学习方法以提升推荐准确率。然而，到目前为止，针对多媒体表示的鲁棒性及其对推荐性能影响的研究仍然很少。本文旨在揭示多媒体推荐系统的鲁棒性问题。基于最先进的推荐框架和深度图像特征，我们展示了整体系统并不鲁棒：对输入图像施加微小（但有针对性）的扰动，就会严重降低推荐准确率。
[论文阅读]Deep & Cross Network for Ad Click Predictions
qq_41776136的博客
05-06 1096
点击率（CTR）预测是一个大规模的问题，对数十亿美元的在线广告行业至关重要。在广告行业，广告商付钱给出版商，让他们在出版商的网站上展示自己的广告。一种流行的付费模式是按点击付费（CPC）模式，即只有当点击发生时才向广告商收费。因此，发行商的收益很大程度上依赖于准确预测点击率的能力。识别频繁预测的特征，同时探索未见或罕见的交叉特征是做出良好预测的关键。然而，web尺度的推荐系统的数据大多是离散的和分类的，这导致了一个大而稀疏的特征空间，这对特征探索是一个挑战。
21、DeepSeekMath论文笔记（GRPO）
weixin_44986037的博客
05-10 603
DeepSeekMath论文笔记（GRPO）
SafeDrive：大语言模型实现自动驾驶汽车知识驱动和数据驱动的风险-敏感决策——论文阅读
qq_54556560的博客
05-07 799
为了解决这些问题，我们提出了SafeDrive，这是一个知识和数据驱动的风险敏感决策框架，以提高自动驾驶汽车的安全性和适应性。拟议框架引入了一个模块化系统，包括：（1）风险模块，用于全面量化涉及驾驶员、车辆和道路相互作用的多因素耦合风险；对以动态和高风险场景为特征的现实世界交通数据集进行广泛评估，包括高速公路（HighD）、十字路口（InD）和环形交叉口（RounD），验证了该框架提高决策安全性（实现100%的安全率）、复制类人驾驶行为（决策一致性超过85%）以及有效适应不可预测场景的能力。
单脉冲前视成像多目标分辨算法——论文阅读
最新发布
yangqoor的博客
05-11 804
在飞行器正前方的高分辨成像（如侦察、精确制导）中，传统前视成像技术依赖多普勒带宽，但正前方场景的方位向多普勒带宽极低，导致方位分辨率不足。（Range Bin）内多目标角度分辨不足的问题。传统单脉冲测角技术通过和差波束比（Sum-Difference Ratio）估计目标角度，但当多个目标处于同一距离单元时，仅能返回等效散射中心的角度值，导致成像模糊。（Maximum Likelihood Estimation, MLE）的多目标角度分辨算法，通过构建目标到达角的似然函数，结合。为方位/俯仰角度参数，
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值