XiaoMi-AI文件搜索系统
World File Search SystemFGSM
![arXiv:2401.12055v1 [cs.CR] 2024 年 1 月 22 日](/simg/e\e8a38712a9961b795c97e03df432e2cb656165d2.webp)
arXiv:2401.12055v1 [cs.CR] 2024 年 1 月 22 日
摘要。神经形态系统受到人类大脑的复杂性和功能性的启发，由于其在广泛应用中具有无与伦比的潜力，引起了学术界和工业界的关注。虽然它们的能力预示着创新，但必须强调的是，这些计算范式与传统范式类似，并非不受安全威胁的影响。尽管人们一直在严格探索用于图像和视频处理的神经形态方法，但神经形态音频处理领域仍处于早期阶段。我们的结果突出了基于 FPGA 的神经形态系统的稳健性和精确性。具体而言，我们的系统展示了所需信号和背景噪声之间值得称赞的平衡、高效的尖峰速率编码以及对 FGSM 和 PGD 等对抗性攻击的无与伦比的弹性。我们的框架的一个突出特点是其检测率高达 94%，与其他方法相比，这凸显了其在 5.39 dB 内识别和缓解威胁的更强大能力，这是一个值得称赞的 SNR 比率。此外，神经形态计算和硬件安全服务于任务关键型和隐私保护应用中的许多传感器领域。
Telkomnika电信计算电子和控制
Stemansy旨在检测数字媒体中的隐藏消息，在信息安全领域提出重大挑战。本文介绍了一种对抗性的切解系统，该系统利用对抗性训练和有效的有效网络的功能提取功能。我们利用有效网络从图像中提取可靠的特征，随后由密集的神经网络对其进行分类，以区分隐志和非稳定摄影含量。为了增强系统对对抗性攻击的弹性，我们实施了一个自定义的对抗训练环，该训练循环使用快速梯度符号方法（FGSM）生成对抗性示例，并将这些示例集成到培训过程中。我们的结果表明，所提出的系统不仅可以在检测隐志含量方面具有很高的准确性，而且还保持了对抗性扰动的鲁棒性。利用最先进的深度学习体系结构和对抗性训练的双重方法为稳固性领域提供了重大进步，从而确保了对数字图像中隐藏信息的更可靠检测。
TR 104 222 - V1.2.1 - 保护人工智能
AE 对抗性示例 AI 人工智能 API 应用程序接口 BDP 边界差分隐私 BIM 基本迭代方法 CIFAR 加拿大高级研究院 CNN 卷积神经网络 CW Carlini 和 Wagner（攻击） DNN 深度神经网络 DP-SGD 差分隐私随机梯度下降 FGSM 快速梯度符号法 GNN 图形神经网络 IP 知识产权 JPEG 联合图像专家组 JSMA 基于雅可比矩阵的显著性图 KNHT 键控非参数假设检验 L-BFGS 有限内存 Broyden-Fletcher-Goldfarb-Shanno（算法） MNIST 改良的国家标准与技术研究所 MNTD 元神经木马检测 PATE 教师集合的私有聚合 PCA 主成分分析 PGD 项目梯度下降 PRADA 防止 DNN 模型窃取攻击 ReLU 整流线性单元 RNN 循环神经网络 RONI 拒绝负面影响 SAI 保护人工智能 SAT 可满足性 SGD 随机梯度下降 SMT 可满足性 模理论 STRIP STRong 有意扰动 TRIM 基于修剪的算法 ULP 通用试金石