XiaoMi-AI文件搜索系统
World File Search SystemAdversarial
对安全应用程序的生成对抗网络的审查
摘要。网络安全的进步对于一个国家的经济和国家安全至关重要。随着数据传输和存储的指数增加，迫切需要新的威胁检测和缓解技术。网络安全已成为绝对的必要性，每天每天都有越来越多的传输网络，导致数据存储在服务器上的数据的指数增长。为了阻止将来的复杂攻击，有必要定期更新威胁检测和数据保存技术。生成对抗网络（GAN）是一类无监督的机器学习模型，可以生成合成数据。gan在基于AI的网络安全系统中变得重要，例如入侵检测，隐肌，密码学和异常检测。本文对将gans应用于网络安全的研究进行了全面综述，包括对这些研究中使用的流行网络安全数据集和甘恩模型架构的分析。
中国社会的序列生成对抗网络...
尽管序列到序列模型在许多摘要数据集中都达到了最先进的性能，但是中国社交媒体文本的处理中仍然存在一些问题，例如短句子，缺乏连贯性和准确性。这些问题是由两个因素引起的：基于RNN的序列模型的原理是最大似然估计，这将导致产生长摘要时梯度消失或爆炸；中国社交媒体中的文字漫长而嘈杂，很难产生高质量的摘要。为了解决这些问题，我们应用了序列生成的对抗网络框架。该框架包括生成器和歧视器，其中生成器用于生成摘要，并使用歧视器来评估生成的摘要。软核层层用作连接层，以确保发电机和歧视器的共培训。实验是在大规模的中国社交媒体文本摘要数据集上进行的。句子的长度，胭脂评分和摘要质量的人工得分用于评估生成的摘要。结果表明，我们的模型生成的摘要中的句子更长且准确性更高。
EEG 中 CNN 分类器的通用对抗扰动......
摘要 目的。已提出了用于基于脑电图 (EEG) 的脑机接口 (BCI) 的多个卷积神经网络 (CNN) 分类器。然而，研究发现，CNN 模型容易受到通用对抗性扰动 (UAP) 的攻击，这些扰动很小且与示例无关，但当添加到良性示例中时，其威力足以降低 CNN 模型的性能。方法。本文提出了一种新颖的总损失最小化 (TLM) 方法来生成基于 EEG 的 BCI 的 UAP。主要结果。实验结果证明了 TLM 对三种流行的 CNN 分类器针对目标攻击和非目标攻击的有效性。我们还验证了 UAP 在基于 EEG 的 BCI 系统中的可迁移性。意义。据我们所知，这是首次对基于 EEG 的 BCI 中 CNN 分类器的 UAP 进行研究。UAP 易于构建，并且可以实时攻击 BCI，从而暴露出 BCI 的一个潜在的关键安全问题。
基于生成对抗网络的数据增强......
摘要 — 脑机接口 (BCI) 系统中分类器的性能高度依赖于训练数据的质量和数量。通常，训练数据是在实验室中收集的，用户在受控环境中执行任务。然而，在现实生活中的 BCI 应用中，用户的注意力可能会分散，这可能会降低分类器的性能。为了提高分类器的鲁棒性，可以在这种情况下获取额外的数据，但在几个长时间的校准会话中记录脑电图 (EEG) 数据是不切实际的。一种潜在的省时省钱的解决方案是人工数据生成。因此，在本研究中，我们提出了一个基于深度卷积生成对抗网络 (DCGAN) 的框架，用于生成人工 EEG 来扩充训练集，从而提高 BCI 分类器的性能。为了进行比较研究，我们设计了一个具有分散和集中注意力条件的运动任务实验。我们使用端到端深度卷积神经网络，利用 14 名受试者的数据对运动意图和休息进行分类。在没有数据增强的情况下，留一法 (LOO) 分类的结果显示，注意力转移的基线准确率为 73.04%，集中注意力的基线准确率为 80.09%。使用所提出的基于 DCGAN 的增强框架，结果显著提高了注意力转移 7.32%（p < 0.01），集中注意力 5.45%（p < 0.01）。此外，我们在 BCI 竞赛 III 的数据集 IVa 上实现了该方法，以区分不同的运动想象任务。所提出的方法将准确率提高了 3.57%（p < 0.02）。这项研究表明，使用 GAN 进行 EEG 增强可以显著提高 BCI 性能，尤其是在现实生活中的应用中，用户的注意力可能会被转移。
大规模睡眠登台的专注对手网络
当前开发广义自动睡眠阶段方法的方法依赖于通过利用不同个体的脑电图（EEG）来构建大型标记的培训和测试语料库。但是，训练集中的数据可能显示出脑电图模式的变化，这与测试集中的数据非常不同，这是由于固有的受试者间可变性，获取硬件的异质性，不同的蒙太奇选择和不同的录制录制环境。培训对此类数据的算法，而无需说明这种多样性会导致表现不佳。为了解决此问题，研究了不同的方法，用于学习数据集中所有个体的不变表示。但是，语料库的所有部分都不相同。因此，有力地对齐不可转移的数据可能会对整体绩效产生负面影响。受到临床医生如何手动标记睡眠阶段的启发，本文提出了一种基于对抗性训练的方法，以及注意机制，以从不同数据集中提取跨个体的传播信息，并注意更重要或相关的渠道和可转移的数据的数据集。Using two large public EEG databases - 994 patient EEGs (6,561 hours of data) from the Phys- ionet 2018 Challenge (P18C) database and 5,793 patients (42,560 hours) EEGs from Sleep Heart Health Study (SHHS) - we demonstrate that adversarially learning a network with attention mechanism, significantly boosts performance compared to state-of-the-art deep learning approaches in the跨数据库方案。通过将SHH视为训练集，提出的方法平均将精度从0.72提高到0.84，灵敏度从0.74提高到0.74，而Cohen的Kappa kappa系数从0.64到0.80，则在P18C数据库中的敏感性从0.64提高到0.80。
对抗性人工智能框架：分类法、威胁形势……
本文档包含攻击分类并定义了讨论人工智能威胁时使用的关键术语。分类法和技术解释列表将这些威胁置于特定背景下，以提供易于理解和适用的层次结构，以及可供非金融部门实体使用的金融服务业相关文件。该分类法结合了现有文献和公共分类法，以与公共和已采用的替代方案保持一致 - 包括 NIST 对抗机器学习：攻击和缓解的分类和术语 1 - 以确保文献、报告和讨论的一致性，并为该主题的进一步工作奠定基础。但是，FS-ISAC 人工智能风险工作组的框架旨在全面涵盖金融部门实体面临的人工智能威胁，同时考虑目前发布的替代方案未涉及的其他风险。
使用生成对抗的自定义服装生成...
钦奈印度大学摘要：在本文中，我们建议将Cyclegan用于定制服装生成。Cyclegan是一种生成对抗网络（GAN），可以学习从一个域将图像映射到另一个域而不需要配对的训练数据。我们的目标是根据来自其他源域的现有图像生成新的，逼真的图像。我们提出了一种新颖的方法，该方法将Cyclean和使用一小部分配对数据结合在一起。我们的方法能够生成既现实又具有视觉吸引力的自定义服装，并具有高质量的细节和纹理。我们使用服装数据集评估了我们的方法，并证明它在图像质量和视觉相似性方面表现优于其他最先进的方法。索引条款 - Cyclean，Gan。
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
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。