XiaoMi-AI文件搜索系统
World File Search System鲁棒性
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
e1 216计算机视觉 - 讲座05：鲁棒性
•绘制一小部分数据点•将模型拟合到这些点•检查与此模型“接近”的点数•用此数字为每个拟合模型评分•使用随机采样进行许多试验•选择具有最高分数的模型•使用此模型检测和删除异常值•使用此模型•剩余点是“好”点
URET：通用鲁棒性评估工具包（用于规避）
图像分类模型所示的对抗性规避攻击。彻底了解此类攻击对于确保关键 AI 任务的安全性和稳健性至关重要。然而，大多数规避攻击很难针对大多数 AI 系统部署，因为它们只专注于图像域，只有很少的约束。与实践中使用的许多其他 AI 系统输入类型不同，图像由同质、数值、连续和独立的特征组成。此外，某些输入类型包括额外的语义和功能约束，必须遵守这些约束才能生成真实的对抗性输入。在这项工作中，我们提出了一个新框架，使对抗性输入的生成不受输入类型和任务域的限制。给定一个输入和一组预定义的输入转换，我们的框架会发现一系列转换，这些转换会产生语义正确且功能齐全的对抗性输入。我们在具有各种输入表示的几个不同的机器学习任务上展示了我们的方法的通用性。我们还展示了生成对抗性示例的重要性，因为它们可以部署缓解技术。
测试和增强高维计算的对抗性鲁棒性
摘要 - 脑启发的超维度计算（HDC），也称为矢量符号结构（VSA），是一种急剧的“非von neumann”计算方案，该方案模仿人脑功能以处理信息或使用抽象和高维模式来处理信息或执行学习任务。与深神经网络（DNN）相比，HDC显示出诸如紧凑的模型大小，能量效率和少量学习的优势。尽管有这些优势，但HDC的一个不足的区域是对抗性的鲁棒性。现有的作品表明，HDC容易受到对抗性攻击的攻击，在这种攻击中，攻击者可以在原始输入中添加少量扰动到“傻瓜” HDC模型，从而产生错误的预测。在本文中，我们通过开发一种系统的方法来测试和增强HDC对对抗性攻击的鲁棒性，系统地研究HDC的对抗性鲁棒性，并具有两个主要成分：（1）TestHD，这是一种可以为给定的HDC模型生成高素质高素质的测试工具，该工具可以为给定的HDC模型生成高素质的高素质数据； （2）GuardHD，它利用TestHD生成的对抗数据来增强HDC模型的对抗性鲁棒性。testHD的核心思想建立在模糊测试方法之上。我们通过提出基于相似性的覆盖率度量来定制模糊方法，以指导TestHD连续突变原始输入，以生成可能触发HDC模型不正确行为的新输入。由于使用差异测试，TestHD不需要事先知道样品的标签。为了增强对抗性鲁棒性，我们设计，实施和评估GuardHD以捍卫HDC模型免受对抗数据的影响。GuardHD的核心思想是一种对抗探测器，可以通过测试HDD生成的对抗样本训练。在推断期间，一旦检测到对抗样本，GuardHD将用“无效”信号覆盖词典结果。我们评估了4个数据集和5个对抗性攻击方案的提议方法，具有6种对抗生成策略和2种防御机制，并相应地比较了性能。GuardHD能够区分精度超过90％的良性和对抗性输入，比基于对抗性训练的基线高达55％。据我们所知，本文在系统地测试和增强对这种新兴脑启发的计算模型的对抗数据的鲁棒性方面提出了第一个全面的努力。索引术语 - 远程计算，差异绒毛测试，对抗攻击，强大的计算
对长期振幅漂移具有鲁棒性的量子门
量子门通常容易受到驱动门的物理量子位所施加的经典控制场的缺陷的影响。减少这种错误源的一种方法是将门分成几部分，称为复合脉冲，通常利用错误随时间的恒定性来减轻其对门保真度的影响。在这里，我们扩展了这种技术来抑制拉比频率的长期漂移，通过将它们视为幂律漂移的总和，其对状态向量的过度或不足旋转的一阶效应呈线性相加。幂律漂移的形式为 tp，其中 t 是时间，常数 p 是其幂。我们表明，抑制所有幂律漂移（p ⩽ n）的复合脉冲也是滤波器阶数为 n + 1 的高通滤波器[H. Ball 和 MJ Biercuk，《用于量子逻辑的 Walsh 合成噪声滤波器》，EPJ Quantum Technol。 2,11（2015）]。我们给出了用该技术获得的满足我们提出的幂律幅度标准 PLA(n) 的序列，并将其在时间相关幅度误差下的模拟性能与一些传统的复合脉冲序列进行了比较。我们发现，在一系列噪声频率下，PLA(n) 序列比传统序列提供更多的误差抑制，但在低频极限下，非线性效应对门保真度的影响比频率滚降更为重要。因此，先前已知的 F1 序列是 PLA(1) 标准的两个解之一，可以抑制线性长期漂移和一阶非线性效应，在低频极限下，它是比任何其他 PLA(n) 序列更清晰的噪声滤波器。
评估ERN和FRN鲁棒性对跨课程可变性
简介：大脑计算机界面（BCI）是允许用户明确或隐式与计算机相互作用的设备（Clerc等，2016）。许多BCI是基于脑电图（EEG）的，在神经基础学中，BCI可用于检测用户的心理状态。然而，基于脑电图的精神状态估计管道仍未达到具有信号非平稳性的理想分类率，包括跨课程可变性（Saha＆Baumert，2020）。因此，提出了使用与EEG提取的错误相关电位（ERRP）通过一种反馈回路来帮助改善BCI算法的（Chavarriaga等，2014）。事件相关电位（ERP）已显示出比光谱特征更强大的时间效应（Roy等，2016），并且误差势（ERRP）也可能证明是如此。这些错误的形状为两个额中央ERP：错误委员会和反馈相关的消极情绪的与错误相关的负面关系（ERN）（FRN，又称奖励积极性-REWP）用于负反馈观察。阳性顶部成分伴随着这些峰：分别是误差阳性（PE）和P300（Chavarriaga等，2014）。这些潜力也通过观察出人意料和/或错误的系统作用引起（Somon等，2018）。Chavarrigia和Millán（2010）开始研究ERN和FRN的稳定性，并表明它们会随着时间的流逝而保持稳定。但是，没有研究某些因素。这项研究的初步结果打算通过两种方式扩展这些结果：首先，我们评估了在三个单独的课程中呈现ERN和FRN对ERN和FRN的一致性的影响，相隔一周；然后，我们观察到执行和反馈相关的错误随着时间的推移的稳定性。
测量基于深度学习的压缩感中的鲁棒性
抽象的深神经网络为重建少量和嘈杂测量的图像重建图像提供了最新的准确性，例如在加速磁共振成像（MRI）中引起的问题。然而，最近的作品引起了人们的担忧，即基于学习的图像重建方法对扰动很敏感，并且比传统方法不那么易用：神经网络（i）可能对小而却对对抗性的扰动敏感，（ii）可能会在分配中表现不佳，并且（iii）可能会在覆盖小型的图像中表现出色，但可能会在一个图像中覆盖重要特征。为了理解对此类范围的敏感性，在这项工作中，我们测量了图像重建的不同方法的鲁棒性，包括训练有素和未经训练的神经网络以及传统的基于稀疏的方法。我们发现，与先前的作品相反，训练和未经训练的方法都容易受到副本扰动的影响。此外，针对特定数据集调整的经过训练和未经训练的方法都在分配转移中遭受的损失非常相似。fi-Nelly，我们证明了一种实现更高重建质量的图像重构方法在准确恢复细节方面的性能也更好。我们的结果表明，基于最新的深度学习图像重新构造方法比没有构成鲁棒性的传统方法提供了改进的穿孔方法。
MIT 开放存取文章 鲁棒性优化的量子...
量子纠错码通常被设计用于纠正错误，而不管其物理来源如何。在大型设备中，这是一项基本功能。然而，在小型设备中，主要错误源通常是可以理解的，并且可以利用这些知识进行更高效的纠错。因此，优化量子纠错协议是小型设备中一种很有前途的策略。通常，这涉及通过解决适当的优化问题来针对给定的退相干信道定制协议。在这里，我们介绍了一种新的基于优化的方法，该方法可最大限度地提高恢复过程中对故障的鲁棒性。我们的方法受到最近实验的启发，在这些实验中，此类故障是逻辑错误的重要来源。我们用三量子比特模型说明了这种方法，并展示了近期实验如何从更强大的量子纠错协议中受益。
对（现实世界）选举获胜者鲁棒性的定量和定性分析
投票是一个方便而有力的框架，用于汇总偏爱。它有许多现实世界中的应用程序，从政治选举到评估小组，决定要资助哪些研究项目以及在电视节目中进行电视节目，以汇总运动竞赛的结果。有趣的是，独立于政策，定期进行的，情感上的辩论是“胜利候选人赢得了大选”的“多少”。值得注意的是，研究发现，选举比直觉上预期的要多得多。例如，在维基百科上有313个政治选举名单，选举的决定不到0。所有选民中有1％[18]。此外，穆里根（Mulligan）和亨特（Hunter）[23]报告说，在美国的州选举中，每15人中有一个。000个选民进行了决定性的投票。以此为动机，有一大批理论文献，这可能是通过一次投票决定选举的可能性[1，3，11，16，17，21，22，33]。
在鲁棒性上揭示了极大的内核转向的黑暗秘密
鲁棒性是在将深度学习模型纳入野外时要考虑的重要方面。nuber的研究一直致力于研究视觉变压器（VIT）的鲁棒性，这些研究一直是自2020年代黎明以来作为视觉任务的主流背部选择。最近，一些大型内核探手会以令人印象深刻的性能和效率卷土重来。但是，仍然尚不清楚大型内核网络是否稳健以及其稳健性的归因。在本文中，我们首先对大型内核弯曲的鲁棒性及其与典型的小核对应物的差异进行了全面评估，并在六个不同的稳健性基准数据集中进行了差异。然后分析其强大鲁棒性背后的根本因素，我们设计了来自定量和定性观念的实验，以揭示与典型的Convnets完全不同的大核转交曲线的诱因。我们的实验首次证明了纯CNN可以实现具有可比性甚至优于VIT的实质性鲁棒性。我们对遮挡方差的分析，内核注意模式和频率特征为鲁棒性提供了新的见解。代码可用：https：//github.com/lauch1ng/lkrobust。