XiaoMi-AI文件搜索系统
World File Search SystemAdversarial
解开生理生物信号的对抗性迁移学习
摘要 — 可穿戴传感器的最新发展为有效和舒适地监测生理状态提供了良好的结果。生理状态评估的一个主要挑战是迁移学习问题，这是由于不同用户或同一用户的不同记录会话的生物信号域不一致而导致的。我们提出了一种用于迁移学习的对抗推理方法，以从压力状态水平评估中的生理生物信号数据中提取解开的干扰鲁棒表示。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗迁移学习方法也适用于其他深度特征学习框架。索引词——压力水平评估、生理生物信号、对抗网络、迁移学习、深度神经网络、解耦表示学习
解开生理生物信号的对抗性迁移学习
摘要 — 可穿戴传感器的最新发展为有效和舒适地监测生理状态提供了良好的结果。生理状态评估的一个主要挑战是迁移学习问题，这是由于不同用户或同一用户的不同记录会话的生物信号域不一致而导致的。我们提出了一种用于迁移学习的对抗推理方法，以从压力状态水平评估中的生理生物信号数据中提取解开的干扰鲁棒表示。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗迁移学习方法也适用于其他深度特征学习框架。索引词——压力水平评估、生理生物信号、对抗网络、迁移学习、深度神经网络、解耦表示学习
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。
smack：语义上有意义的对手音频攻击
Smack是一种对抗性音频攻击，它利用了对韵律属性的操纵来制作对抗性语音示例。我们的工件包括源代码，用于控制语音韵律的生成模型，以及用于攻击测试的自动语音识别（ASR）和扬声器识别（SR）模型。要操作攻击框架工作，用户需要在命令行中运行程序，提供攻击类型（即针对ASR或SR系统）并指定攻击目标（即目标转录或说话者标签）。预期的结果是对抗性音频样本。考虑到SMACK中涉及的语音生成模型的复杂性，建议使用中等CPU和至少8GB VRAM的GPU的机器。请注意，运行时可能会因用户的硬件而异。我们已将所需依赖项的列表汇编成YML配置文件。
使用生成对抗性
本项目使用深度学习技术介绍了用于图像着色和文本对图像生成的Web应用程序。应用程序包括两个主要模块：图像着色，将黑白图像转换为颜色，以及文本到图像生成，该图像基于文本描述创建图像。用于图像着色，预先训练的深度神经网络模型可用于预测灰度图像的色彩信息。该模型是使用OpenCV的DNN模块实现的，并且能够准确恢复颜色为灰度图像。在文本到图像生成模块中，采用稳定的扩散管道来生成文本提示中的图像。本管道利用深度学习技术根据用户提供的文本描述来合成图像。Web应用程序提供了一个用户友好的接口，供用户上传图像以进行着色和输入文本提示以生成图像。处理后，应用程序将有色的图像或生成的图像返回给用户。总体而言，该项目展示了深度学习模型在增强视觉内容创建方面的潜力，并为用户提供了一种实用的应用程序，可以交互探索图像着色和文本驱动的图像生成。
使用CP-VTON生成图像，生成对抗
最近，一个视觉实验已经流行，其目的是将所需服装的形象投射到参考图上。过去的艺术品通常着重于保持服装形象的个性时，将其转变为任何人类姿势（例如纹理，徽标，刺绣）。然而，当参考人员有明显的遮挡和人类姿势时，创建影像学图像被证明是难以证明的。该项目的目标是开发一种虚拟购物系统，该系统使用深度学习技术来提供沉浸式和现实的购物体验。系统分别使用高斯混合模型（GMM）和纹理取向匹配（TOM）算法来对服装及其纹理进行建模。GMM算法用于从背景中分割服装并提取其形状和特征。使用学习的功能表示形式，将服装的质地与用户身体的质地匹配。由此产生的虚拟拟合系统提供了对服装产品在用户眼中的外观的准确图片，从而使他们能够做出明智的购买决策。该系统在几种不同的服装上进行了测试，并在准确性和现实主义方面显示出令人鼓舞的结果。
关于人工神经任务中生成对抗行为的调查
摘要：生成相反的网络是一种在没有大量带注释的培训数据的情况下学习深层表示的技术。这种竞争技术采用两个网络来生成背景信号。生成对抗网络（GAN）使用学习的表示形式，用于各种应用，包括图像综合，语义成像，样式转移，超级磁性和分割。图像可以在许多方面使用。gans是一个独特的阶级，由于深层生成模型的流行，最近引起了极大的兴趣。gans隐式分发复杂和高分辨率的图像，声音和数据。但是，鉴于无意间构建了网络架构，目标函数使用和优化算法选择，在训练gans时会发展出重要的困难，例如模式崩溃，不一致和不稳定。这项研究对供gans设计和优化策略的发展进行了彻底的研究，以解决甘恩的困难。我们在这个快速发展的领域提供了有趣的研究可能性。gan是一个受欢迎的研究主题，因为它们能够生成合成数据以及不论应用程序如何都可以理解的代表性。迄今为止，已经对图像处理领域中的gans进行了各种评论，但没有人专注于对多学科领域中的gan的审查。因此，本研究通过彻底搜索与GAN相关的研究文章来研究gan在跨学科应用领域及其实施问题的利用。
使用遗传算法创建对抗性示例
摘要随着我们越来越多地将人工智能整合到我们的日常任务中，至关重要的是要确保这些系统可靠且可靠地抵抗对抗性攻击。在本文中，我们介绍了Clef Checkthat任务6的参与！2024实验室。在我们的工作中，我们探索了几种方法，可以将其分为两类。第一组专注于使用遗传算法来检测单词并通过多种方法（例如添加/删除单词和使用同义）进行更改。在第二组方法中，我们使用大型语言模型来产生对抗性攻击。基于我们的综合实验，我们选择了基于遗传算法的模型，该模型利用分裂单词和同质同源物作为文本操纵方法的组合，作为我们的主要模型。我们根据Bodega度量和手动评估排名第三。
评论文章 - 机器学习中的对抗攻击
由于对抗性攻击，诸如机器学习之类的流派存在着相当大的威胁，其中包括故意用会改变决策区域的数据为系统提供。这些攻击致力于以模型在分类或预测中是错误的方式向机器学习模型展示不同的数据。研究领域仍然相对年轻，必须发展强大的科学研究身体，以消除当前知识的差距。本文根据Scopus数据库中发表的高度引用的文章和会议提供了对抗性攻击和防御措施的文献综述。通过对128个系统文章的分类和评估：80篇原始论文和48篇评论论文，直到2024年5月15日，本研究对不同领域的文献进行了分类和审查，例如图形神经网络，Iot系统的深度学习模型等。该评论对确定的指标，引文分析和这些研究的贡献提出了发现，同时暗示了该地区对对抗性鲁棒性和保护机制的进一步研究和发展。这项工作的确定目标是介绍对抗性攻击和防御的基本背景，并需要维持机器学习平台的适应性。在这种情况下，目标是为在各个行业的AI应用中建立高效和可持续的保护机制做出贡献
用于网络入侵检测的对抗性机器学习
一些研究论文研究了基于 ML 的 IDS 面对对抗性攻击的脆弱性，但其中大多数集中在基于深度学习的分类器上。与它们不同，本文更加关注浅层分类器，由于它们的成熟度和实现的简单性，它们仍然广泛用于基于 ML 的 IDS。更详细地，我们评估了 7 种基于浅层 ML 的 NIDS 的鲁棒性，包括 Adaboost、Bagging、梯度提升 (GB)、逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、支持向量分类器 (SVC) 以及深度学习网络，以抵御几种在最先进技术 (SOA) 中广泛使用的对抗性攻击。此外，我们应用高斯数据增强防御技术并测量其对提高分类器鲁棒性的贡献。我们使用 NSL-KDD 基准数据集 [5] 和 UNSW-NB 15 数据集 [50] 在不同的场景中进行了广泛的实验。结果表明，攻击对所有分类器的影响并不相同，分类器的稳健性取决于攻击，并且必须根据网络入侵检测场景考虑性能和稳健性之间的权衡。