XiaoMi-AI文件搜索系统
World File Search SystemAdversa
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
朝着全球半逆转模型
通常认为，对抗性和非对抗性制度之间的主要区别是负责收集事实和证据的义务。一般来说，在对抗性制度中，是律师收集事实并收集证据，而在非对抗性系统中，例如欧洲大陆，是法官承担这一责任。尽管存在这种二分法，但从根本上是有缺陷的，得出的结论是，非对抗性系统（例如大陆系统）与美国体系有所不同，因为在事实收集和循证收集中的询问方法都有疑问方法。我们将证明的实际差异主要是当事方在诉讼的初步阶段，发现方法，法官参与案件的作用以及检查非纪录证据的技术。系统在司法管理方面都表现出有关效率（节省成本）和效力（真相）的优势和缺点。假设程序差异并非完全不可调和。他们可以互相补充吗？在这方面，我们特别询问对手系统是否可以帮助非对抗实践的最令人不安的方面。如果是这样，是否可以将非对抗模型与对抗系统中裁决的初步阶段调和？最近对民事诉讼的意大利改革使我们能够阐明这些问题。从新的大陆趋势中出现的这种更具对抗性的程序似乎尤其令人兴奋，这有两个原因。首先，它引入了一个令人兴奋的新框架，以重塑有关对手体系中民间司法改革的辩论。其次，它提出了一种考虑传统的国内和特定国家规则的新方法，并概述了半反向系统的统一模型。
大语言模型的对抗性进化增强学习框架
大型语言模型（LLMS）传统上依赖手动及时工程，这可能是耗时且容易受到人类偏见的影响。在本文中，我们提出了一个基于进化增强学习原理（EVORL）的对抗性进化增强学习（AERL）框架[Lin等，2023]，以实现对AI剂的持续自我投资。我们的方法迭代生成，测试和完善了通过四个组件的提示或配置：（1）进化提示作者/改进器/改善者，（2）进化模型，（3）对抗模型和（4）法官。通过将候选模型暴露于对抗性的场景中，并通过进化运算符选择最佳变体，AERL促进了强大的，域特异性的解决方案，而无需重新进行过多的人类试验和错误。受到Evorl [Bai等，2023]中多目标优化技术的启发和对抗性训练方法[Goodfellow等人，2014]，我们的经验性和有意义的示例来自分散财务（DEFI）（DEFI），代码生成，并且数学推理说明了我们框架的多功能性。结果表明，对抗性的进化策略可以在维持高适应性和性能的同时，诱导地减少人驱动的猜测。
图像超分辨率的生成对抗网络
单图像超分辨率（SISR）在图像处理领域起着重要作用。最近的生成对抗网络（GAN）可以在具有小样本的低分辨率图像上取得出色的结果。但是，几乎没有一些文献总结了SISR中不同的剂量。在本文中，我们从不同的角度对gan进行了比较研究。我们首先看一下甘斯的发展。第二，我们为图像应用中的大型和小样本中提供了流行的植物体系结构。然后，我们分析了基于gan的优化方法的动机，实施和差异，以及对图像超分辨率的歧视性学习，以受监督，半监督和无监督的方式来进行，在这些方面，通过整合不同的网络体系结构，先验知识，损失功能和多个任务来分析这些gans。接下来，我们通过SISR中的定量和定性分析在公共数据集上比较了这些受欢迎的gan的性能。最后，我们重点介绍了gan的挑战和SISR的潜在研究点。
对硬性实例对过度拟合的影响...
对抗训练是一种鲁棒性模型来防止对抗攻击的流行方法。但是，它表现出比在干净输入的训练要严重得多的。在这项工作中，我们从培训实例的角度（即训练输入目标对）研究了这种现象。基于训练集中实例相对困难的定量度量，我们分析了该模型在不同难度水平的训练实例上的行为。这使我们证明，对抗训练的概括性能衰减是拟合硬对抗实例的结果。我们从理论上验证了线性和一般非线性模型的观察结果，证明了在硬实例上训练的模型的概括性能要比在简单实例上接受培训的模型要差，并且这种概括差距随着对抗性预算的规模而增加。最后，我们调查了在几种情况下减轻对抗性过度插入的解决方案，包括快速的对抗训练和使用其他数据进行预处理的模型。我们的结果表明，使用训练数据可自动提高模型的鲁棒性。
基于对抗性过滤的脑机接口逃避和后门攻击
脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信。脑电图 (EEG) 因其便利性和低成本而成为 BCI 的常见输入信号。大多数对基于 EEG 的 BCI 的研究都集中在 EEG 信号的准确解码上，而忽略了它们的安全性。最近的研究表明，BCI 中的机器学习模型容易受到对抗性攻击。本文提出了基于对抗性过滤的基于 EEG 的 BCI 的逃避和后门攻击，这些攻击非常容易实现。在来自不同 BCI 范式的三个数据集上的实验证明了我们提出的攻击方法的有效性。据我们所知，这是第一项关于基于 EEG 的 BCI 对抗性过滤的研究，这引发了新的安全问题并呼吁更多关注 BCI 的安全性。
基于对抗过滤的逃避和对基于EEG的脑部计算机界面的后门攻击
大脑计算机接口（BCI）可以在大脑和外部设备之间进行直接通信。电子脑电图（EEG）是BCIS的常见输入信号，因为它的便利性和低成本。对基于EEG的BCIS的大多数研究都集中在EEG信号的准确解码上，同时忽略其安全性。最近的研究表明，BCIS中的机器学习模型容易受到对抗攻击的影响。本文提出了对基于EEG的BCI的基于对抗过滤的逃避和后门攻击，这非常容易实施。在不同BCI范式的三个数据集上进行了实验，证明了我们提出的攻击方法的效果。据我们所知，这是对基于脑电图的BCI的对抗过滤的第一项研究，提出了新的安全问题，并呼吁更多地关注BCIS的安全性。
一种对抗对抗性攻击的机器学习方法
将机器学习 (ML) 技术集成到车载自组织网络 (VANET) 中，可为自动驾驶和 ITS 应用提供有前景的功能。本文使用 DSRC 数据来评估不同 ML 模型（包括朴素贝叶斯、随机森林、KNN 和梯度提升）在正常和对抗场景中的有效性。由于数据集相对不平衡，因此采用合成少数过采样技术 (SMOTE) 进行采样，并采用防御性蒸馏来提高模型对对抗性扰动的弹性。从结果中可以清楚地看出，梯度提升和随机森林等模型在两种情况下都表现出很高的准确性，从而表明在出现新威胁时使用机器学习来提高 VANET 安全性和可靠性的潜力。通过这项研究，阐明了 ML 在保护车辆通信方面的应用对于提高交通安全和流量的重要性。
使用生成对抗网络对异常财务交易的实时检测：企业应用程序
* Zheng，Shuaiqi是电子邮件，电子邮件：exirfaaq@outlook.com摘要：本文使用用于企业应用程序的生成性对抗网络（GAN）提出了一个新颖的实时财务欺诈检测框架。所提出的系统解决了欺诈检测中的关键挑战，包括类不平衡，实时处理要求和企业可伸缩性。实现了复杂的多层体系结构，该系统将高级预处理技术与优化的GAN模型集成了明确设计用于欺诈模式识别的模型。该框架结合了并行处理能力和自适应批处理处理机制，以保持高吞吐量，同时确保次秒延迟。实验评估使用了欧洲信用卡交易数据集的一部分，其中包括50,000笔交易，并通过战略抽样和SMOTE技术实现了平衡的表示。所提出的模型可实现97.8％的准确性，96.5％的精度和95.8％的回忆，与传统的机器学习方法相比，表现出竞争性能。实时性能分析显示出一致的低100ms延迟，同时在不同的负载条件下保持稳健的性能。该系统显示了最高32个节点的线性可伸缩性，具有高可用性和故障功能。全面评估验证了该框架在企业环境中的有效性，为面临不断发展的欺诈挑战的金融机构提供了实用的解决方案。这项研究通过创新的对抗性学习在欺诈检测中的创新应用有助于提高金融安全技术。
零件的双线性模型和生成对抗网络中的外观
摘要 - 对生成对抗网络（GAN）的理解进步已导致视觉编辑和合成任务的显着进步，并利用了嵌入在预训练的gan的潜在空间中的丰富语义。但是，现有方法通常是针对特定的gan体系结构量身定制的，并且仅限于发现不促进局部控制的全球语义方向，或者需要通过手动提供的区域或细分口罩进行某种形式的监督。从这个角度来看，我们提出了一种建筑敏锐的方法，该方法共同发现代表空间部分及其外观的因素，以一种完全无监督的方式。这些因素是通过在特征图上应用半非谐音张量分解来获得的，这反过来又可以通过像素级控制来实现上下文感知的本地图像编辑。此外，我们表明发现的外观因子对应于无需使用任何标签的概念的显着图。对广泛的GAN体系结构和数据集进行了实验，表明，与最新的状态相比，我们的方法在训练时间方面更有效，最重要的是，提供了更准确的局部控制。