阿里云先知安全沙龙(上海站) ——大模型基础设施安全攻防
大模型基础设施的安全攻防体系涵盖恶意输入防御和基础设施安全，包括框架、三方库、插件、平台、模型和系统安全。关键漏洞如CVE-2023-6019（Ray框架命令注入）、CVE-2024-5480（PyTorch分布式RPC）及llama.cpp中的多个漏洞，强调了代码安全性的重要性。模型文件安全方面，需防范pickle反序列化等风险，建议使用Safetensors格式。相关实践包括构建供应链漏洞库、智能化漏洞分析和深度检测，确保全方位防护。
《Java 情感分析：前沿技术与方法全解析》
在数字化时代，情感分析是提取文本数据价值的关键技术。本文探讨了Java在这一领域的应用，涵盖自然语言处理工具（如Apache OpenNLP、Stanford NLP）、机器学习方法（如朴素贝叶斯、SVM）及深度学习框架（如TensorFlow、Deeplearning4j）。通过这些技术和工具，Java能够高效处理情感分析任务，广泛应用于社交媒体监测、客户反馈分析等场景，尽管仍面临文本多样性与复杂性的挑战。
《Python 助力：人工智能模型的“瘦身”与“加速”之旅》
在人工智能蓬勃发展的今天，深度学习模型的规模和复杂度不断增加，导致存储需求大、计算资源消耗过多及推理速度受限等问题。为此，模型压缩（如剪枝、低秩分解）和量化技术应运而生，通过减少参数数量或降低精度，在不显著影响性能的前提下，优化存储和计算效率。Python 作为主流编程语言，在这些技术的实现与优化中发挥重要作用，借助 TensorFlow 和 PyTorch 等框架，开发者可以方便地进行模型压缩和量化操作。这些技术不仅提高了模型在边缘设备上的运行效率，还降低了数据中心的存储和能耗成本，推动了人工智能的广泛应用。
【AI系统】AI 框架之争
本文介绍了AI框架在数学上对自动微分的表达和处理，以及其在多线程算子加速、GPU/NPU支持、代码编译优化等方面的技术挑战。文章详细梳理了AI框架的发展历程，从萌芽阶段到深化阶段，探讨了不同阶段的关键技术和代表性框架。同时，文章展望了AI框架的未来趋势，包括全场景支持、易用性提升、大规模分布式支持和科学计算融合。
基于Pytorch Gemotric在昇腾上实现GraphSage图神经网络
本文详细介绍了如何在昇腾平台上使用PyTorch实现GraphSage算法，在CiteSeer数据集上进行图神经网络的分类训练。内容涵盖GraphSage的创新点、算法原理、网络架构及实战代码分析，通过采样和聚合方法高效处理大规模图数据。实验结果显示，模型在CiteSeer数据集上的分类准确率达到66.5%。
基于图神经网络的大语言模型检索增强生成框架研究：面向知识图谱推理的优化与扩展
本文探讨了图神经网络（GNN）与大型语言模型（LLM）结合在知识图谱问答中的应用。研究首先基于G-Retriever构建了探索性模型，然后深入分析了GNN-RAG架构，通过敏感性研究和架构改进，显著提升了模型的推理能力和答案质量。实验结果表明，改进后的模型在多个评估指标上取得了显著提升，特别是在精确率和召回率方面。最后，文章提出了反思机制和教师网络的概念，进一步增强了模型的推理能力。