XiaoMi-AI文件搜索系统
World File Search System对抗性
生理计算中的对抗性攻击与防御：系统评价
摘要 — 生理计算实时使用人类生理数据作为系统输入。它包括或与脑机接口、情感计算、自适应自动化、健康信息学和基于生理信号的生物识别技术有显著重叠。生理计算增加了从用户到计算机的通信带宽，但也容易受到各种类型的对抗性攻击，攻击者故意操纵训练和/或测试示例来劫持机器学习算法输出，从而可能导致用户困惑、沮丧、受伤甚至死亡。然而，生理计算系统的脆弱性尚未得到足够的重视，也没有对针对它们的对抗性攻击进行全面的综述。本文填补了这一空白，系统地回顾了生理计算的主要研究领域、不同类型的对抗性攻击及其在生理计算中的应用，以及相应的防御策略。我们希望这篇评论能吸引更多人对生理计算系统脆弱性的研究兴趣，更重要的是，能提出防御策略，使它们更安全。
BI-AVAN：受大脑启发的对抗性视觉注意网络
摘要 — 视觉注意是人脑的基本机制，它启发了深度神经网络中注意机制的设计。然而，大多数视觉注意研究采用眼动追踪数据而不是直接测量大脑活动来表征人类的视觉注意。此外，人类视觉系统中与注意相关的对象和被注意忽略的背景之间的对抗关系尚未得到充分利用。为了弥补这些差距，我们提出了一种新颖的受大脑启发的对抗性视觉注意网络 (BI-AVAN)，直接从功能性大脑活动中表征人类的视觉注意。我们的 BI-AVAN 模型模仿与注意相关/被忽略的对象之间的偏向竞争过程，以无监督的方式识别和定位人脑以关注的电影帧中的视觉对象。我们使用独立的眼动追踪数据作为验证的基本事实，实验结果表明，我们的模型在推断有意义的人类视觉注意力和映射大脑活动与视觉刺激之间的关系时取得了稳健且有希望的结果。我们的 BI-AVAN 模型为利用大脑功能架构的新兴领域做出了贡献，以启发和指导人工智能（AI）中的模型设计，例如深度神经网络。
对抗性网络行为的预测分析 - NATO STO
IST-129 研究任务组 (RTG) 的工作由得到各自组织支持的研究人员完成。代表 IST 小组，我们谨向以下组织对主要研究人员的支持表示感谢。IST-129 研究任务组 (RTG) 由以下人员组成：Dennis McCallam 博士（主席）、美国海军学院和乔治梅森大学网络研究员；Cdr。(英语)Bernt Akesson 博士，芬兰国防研究局；David Aspinall 教授，英国爱丁堡大学；Tracy Braun 博士，美国陆军研究实验室，美国：Roman Faganel，理学硕士，斯洛文尼亚国防部，斯洛文尼亚；Heiko Guenther，德国弗劳恩霍夫 FKIE；Matthew Kellet 博士，加拿大国防研发中心，加拿大； Joseph LoPiccolo，美国海军研究生院； Peeter Lorents 教授，爱沙尼亚商学院； Wim Mees 博士，比利时皇家军事学院；上尉（英语)，Juha-Pekka Nikkarila 博士，芬兰国防研究局，芬兰； Teodor Sommestad 博士，瑞典国防研究局 FOI，瑞典；以及来自 Seetru Ltd. 和英国牛津大学的 Margaret Varga 博士。
在杂种量子古典深度学习中的对抗性鲁棒性DGA检测
摘要：本文旨在为对抗性的防御研究差距做出贡献，这是广告讽刺机器学习（ML）攻击和防御的最新技术。更具体地，它有助于对对抗性示例攻击的人工智能（AI） / ML模型的鲁棒性进行度量测量，目前，这仍然是网络安全域中的一个空旷问题，并且在更大程度上是基于量子计算的AI / ML应用程序的更大程度的问题。我们提出了一种新的对抗性鲁棒性测量方法，该方法从量子ML ML模型实验的性能结果中测量统计特性（例如精度和t检验结果的平均值）。我们认为，我们提出的方法适合实现量子安全世界的实际使用，因为在当前嘈杂的中间尺度量子设备（NISQ）时代，量子噪声对于建模是复杂且具有挑战性的，因此使测量任务或基准测试变得复杂。我们的研究的第二个贡献是用于僵尸网络域生成算法（DGA）检测的新型硬化杂交量子量化深度学习（DL）模型，它采用了一种模型硬化的广告范围训练技术来减轻新型未知DGA对手，因为新的CyberAttarake从网络攻击中进行了新的CyberAttack，因此可以预期的是遇到网络武器竞赛。我们的分析表明，混合量子DL模型对对抗性示例攻击的脆弱性高达19％的平均准确性下降。我们还发现，硬化模型的优越性获得的平均准确性高达5.9％。此外，我们发现杂交量子型DL方法使抑制量子噪声对分类器性能的负面影响的好处。我们演示了如何应用我们提出的测量方法评估我们的新型混合量子DL模型，并强调了我们的模型与对抗性示例攻击的对抗性鲁棒性，这是我们研究对跨量子对抗机器学习的实际意义的证据。
通过受干扰和对抗性的做梦来学习皮质表征
摘要 人类和其他动物无需大量教学就能学会从感官体验中提取一般概念。这种能力被认为是由睡眠等离线状态促进的，在这种状态下，先前的经历会被系统地重播。然而，梦的创造性特征表明，学习语义表征可能不仅仅是重播以前的经历。我们通过实现受生成对抗网络 (GAN) 启发的皮质架构来支持这一假设。我们模型中的学习跨三种不同的全局大脑状态组织，模拟清醒、非快速眼动 (NREM) 和 REM 睡眠，优化不同但互补的目标函数。我们在标准的自然图像数据集上训练模型并评估学习到的表征的质量。我们的结果表明，在 REM 睡眠期间通过对抗性做梦生成新的虚拟感官输入对于提取语义概念至关重要，而在 NREM 睡眠期间通过受干扰的做梦重播情景记忆可以提高潜在表征的稳健性。该模型为睡眠状态、记忆重放和梦境提供了一个新的计算视角，并提出了 GAN 的皮质实现。
GA3N：生成对抗性自动仪网络
数据增强对改善深度元学习的鲁棒性是有益的。然而，最近的深度元学习的数据预言方法仍然基于光度或几何操作或图像的组合。本文提出了一个生成的对抗自动说明网络（GA3N），用于扩大增强搜索空间并提高分类精度。要实现，我们首先使用gans扩展了图像增强的搜索空间。但是，主要的挑战是生成适合任务的图像。对于解决方案，我们通过优化目标和gan损失来找到最佳策略。然后，我们使用由策略网络确定的操纵和生成的样本作为改进目标任务的增强样本。为了显示我们的方法的效果，我们通过组合GA3N并在CIFAR-100和Tiny-ImageNet数据集上进行评估来实现分类网络。因此，我们比每个数据集上的最新自动说明方法获得了更好的准确性。
半监督的生成和歧视性对抗性学习，用于基于运动图像的大脑 - 计算机界面
卷积神经网络（CNN）可以识别具有不同体系结构的数据中的结构/配置模式，以进行特征提取。然而，关于在BCIS中利用先进的深度学习方法的挑战。我们专注于小型培训样本的问题以及学习参数的可解释性，并利用半监督的生成和歧视性学习框架有效地利用具有真实样本的合成样本来发现类歧视性特征。我们的框架了解使用生成模型在嵌入空间中EEG信号的分布特性。通过使用人工生成和真实的脑电图信号，我们的框架会发现类别歧视时空特征表示，这些表示有助于正确区分输入EEG信号。值得注意的是，该框架有助于对真实的，未标记的样本的开发，以更好地发现用户的EEG信号中固有的基本模式。为了验证我们的框架，我们通过利用三个现有CNN架构的变体作为生成器网络进行了比较我们的方法与常规线性模型进行比较的实验，并在三个公共数据集上测量了性能。我们的框架在统计学上对竞争方法表现出显着的改进。我们通过激活模式图研究了学习的网络，并可视化的产生的人工样本以经验证明我们模型的稳定性和神经生理学合理性是合理的。
advnf：减少使用对抗性学习的有条件归一流流程中的模式崩溃
我们研究了与指数α具有长距离铁磁相互作用衰减的量子图链的相图和临界特性，这是针对当前捕获的离子实验的直接利益的指数α的。使用大规模路径积分蒙特卡洛模拟，我们研究了地面状态和非零温度状态。我们确定铁磁相的相边界，并获得铁磁 - 磁磁过渡温度的准确估计。我们进一步确定了相应过渡的关键指数。我们的结果与某些关键指数中的相互作用指数α> 1的现有预测一致。我们还谈到了难以捉摸的α<1，我们发现地面状态和非零温度转变的通用类别与α= 0的平均值限制一致。我们的工作不仅有助于理解远程相互作用量子模型的平衡特性，而且对于解决基本的动力学方面，例如有关此类模型中的热量问题的问题也很重要。
如何保护生物技术免受对抗性人工智能攻击
在过去的二十年里，生物技术的世界已经从模拟走向数字，并与人工智能 (AI) 融合，成为创新的催化剂。人工智能、遗传学家和生物工程师之间的新合作催生了功能基因组学领域，从而更精确地理解和优化了基因组生物学中的功能过程。深度学习算法可以帮助计算机分析和测试遗传功能，并有助于预测基因突变对个体整体基因组的影响。此类算法改进了与人类和病原体相关的基因组数据集中基因型和表型之间组合关系的分析。其他深度学习模型旨在揭示基因组生物学的重要特征，从模拟 RNA 处理事件到模拟控制基因表达的遗传调控代码。
微小的噪音，大错误：对抗性扰动会在脑 - 计算机接口拼写中引起错误
1教育部图像处理和智能控制的主要实验室，人工智能与自动化学院，华恩科学技术大学，武汉430074，中国； 2华盛科技大学土木工程与力学学院，中国武汉430074； 3工程与信息技术学院人工智能中心，悉尼科技大学，悉尼，新南威尔士州，2007年，澳大利亚； 4美国加利福尼亚州加利福尼亚大学圣地亚哥分校神经计算学院Swartz计算神经科学中心，美国加利福尼亚州92093，美国； 5美国加利福尼亚州加利福尼亚大学圣地亚哥大学医学工程学院高级神经工程中心，美国加利福尼亚州，加利福尼亚州92093，美国和6 Zhaw Datalab，ZéurichApplied Sciences of Applied Sciences，Winterthur 8401，瑞士，