模型反转 [1] 和模型提取(窃取)攻击 [2] 是先进的对抗技术,可危及机器学习 (ML) 模型的安全和隐私。这些攻击从模型中提取敏感信息,例如训练数据和超参数。出于对日益增长的安全和隐私问题的担忧,文献中研究了越来越多的 ML-as-a-service 系统,这些系统提供使用机密数据训练的 ML 模型以及这些模型的可公开访问的查询界面。对黑盒 AI 模型可解释性的研究引发了一个新的研究课题可解释人工智能 (XAI) [3]。XAI 旨在描述难以被人类理解的 AI 模型的内部工作原理,以便可以描述模型的准确性、公平性、透明度和结果 [4]。其中一种方法是局部可解释模型不可知解释 (LIME) [5],它通过围绕该样本生成局部替代数据集来识别给定样本的最重要特征(影响 AI 的决策)。通过结合 XAI 产生的额外漏洞,可以增强对抗性 ML 攻击的能力。因此,我们提出了一种名为 AUTOLYCUS 的新型模型提取攻击,它使用来自 LIME 的模型解释来生成比最先进的攻击更少的查询,以揭示决策树模型的决策边界,并将这些边界提取到本地训练的代理模型。AUTOLYCUS 还可以从其他资源获得的样本中获取信息。这些资源可能包括先前采样的查询和其他数据集。我们演示
罗盘穿越和当地吸引力方位校正。水准测量:目的和应用、各种术语的定义、水准测量仪器、水准测量方法、在水准仪中记录观测值、用 HI 和升降法计算降低的水准、轮廓的定义、不同地形轮廓的特征以及轮廓图的应用。现代测量工具:经纬仪、全站仪、GIS、GPS 和遥感介绍。3 建筑材料 09 石材:石材介绍、石材用途、优质建筑石材的特点、不同石材的可用性、适用性和性能。砖:石工和砖工的比较、砖的优点、优质砖的特点、砖的标准测试以及砖的现场测试。石灰:石灰的分类、处理石灰的注意事项。水泥:普通水泥的基本成分、水泥的物理性质、水泥的现场检查、水泥的储存及其用途。木材:木材介绍、干燥的重要性、木基产品。钢材:介绍、不同形式钢材的用途、可销售的钢材形式。骨料:分类、来源、机械性能。沥青:分类、性能。塑料:塑料的性能、塑料的类型和用途。
德克萨斯州交通部广泛使用稳定路基和基层。事实上,路基稳定在许多地区几乎是常规做法,尤其是在那些有粘土路基的地区。迫切需要确定路基和基层稳定的有效性,评估当前的混合物和厚度设计方法,并提出与这些稳定路面层相关的实际结构特性。报告 1287-2 同时考虑了基层和路基稳定。稳定基层分为三类:高度稳定、中度稳定和轻度稳定,具体取决于使用的稳定剂数量。高度稳定基层表现为刚性结构层。本报告建议修改当前使用的 TxDOT 混合物设计和厚度设计方法,以尽量减少稳定基层内因非负载相关开裂和负载相关疲劳开裂而造成的结构损坏。中等和轻度的基层稳定化显著改善了层的结构贡献,在大多数情况下不会产生刚性结构层。这种类型的稳定化在许多应用中都是有利的。报告 1287-2 建议采用当前 TxDOT 测试和分析工具对中等和轻度稳定基层采用适当的混合物设计方法和厚度设计方法。石灰质基层、钙质基层和石灰石基层的石灰稳定化
摘要:自动驾驶的最新进展伴随着损害自动驾驶汽车网络(AVS)的网络安全问题,激发了使用AI模型来检测这些网络上的异常情况。在这种情况下,用于解释这些异常检测AI模型的行为的可解释AI(XAI)的用法至关重要。这项工作介绍了一个综合框架,以评估AVS内的黑框XAI技术,以促进对全球和局部XAI方法的检查,以阐明XAI技术的决定,以解释AI模型对异常AV行为进行分类的AI模型的行为。通过考虑六个评估指标(描述性准确性,稀疏性,稳定性,效率,稳健性和完整性),该框架评估了两种众所周知的黑盒XAI技术,摇滚和石灰,涉及应用XAI技术,以应用XAI技术来确定对隔离式跨度的重要跨度的自动范围,并确定主要的分类,并跨越了六个驱动器。 Veremi和传感器。这项研究推进了在自主驾驶系统中用于现实世界异常检测的黑盒XAI方法的部署,从而有价值的见解对此关键领域内当前的Black-Box XAI方法的优势和局限性有了宝贵的见解。
交换器是充分使用用于传热的设备。这些设备通过在两个luids之间提供热量交换来在杂色的工商管理和建筑物中发挥最新作用。但是,随着时间的流逝,交换机可能会遇到诸如污染和沉积物堆积之类的各种问题。这可以降低传热效率,从而导致能源浪费和设备故障。钙化是一个问题,当水被硬矿物饱和并超过这些矿物质的溶解度时,它出现了。这些矿物是由于蒸发或化学反应而沉淀的,并形成了一个称为石灰石的固体层。limescale可以在房屋,工商管理和水运输系统中带来各种问题。石灰在传热上积聚,从而减少了这些超级物质的超级区域。这减少了可用于传热的超级区域并抑制传热。石灰的热导率低于水。刻度是在热传递上的刻度层的形成,可降低这些超级速度的导热率并防止传热。本研究的重点是热交换器中污染的类型,污染对传热和其他因素的影响以及堵塞方法。
摘要。基因表达分类是生物信息学中的一项关键但具有挑战性的任务,这主要是由于高度数据的高维度和过度拟合的风险。为了弥合这一差距,我们提出了Bolimes,这是一种新型特征选择算法,旨在通过系统地重新发现特征子集来增强基因表达分类。与仅依赖统计排名或分类特定选择的常规方法不同,我们将Boruta的稳健性与石灰的可解释性相结合,从而确保只保留最相关和最相关的基因。Bolimes第一位使用Boruta通过比较每个特征与其持有的对应物进行比较,从而释放了非信息性基因,从而保留了有价值的信息。然后,它使用石灰根据其对分类器的局部重要性来对剩余基因进行排名。最后,迭代分类评估通过选择最大化预测精度的基因数来确定最佳特征子集。通过将详尽的特征选择与可解释性驱动的重新结合结合,我们的解决方案有效地平衡了维数的降低与高分类性能,从而为高维基因表达分析提供了强大的解决方案。
摘要 - 在非驾驶飞机(UAV)的动态和不断变化的领域中,最重要的重要性在于保证弹性和清醒的安全措施。这项研究强调了实施零信托架构(ZTA)的必要性,以增强无人机的安全性(UAVS)的安全性,从而脱离了可能暴露于脆弱性的传统外围防御能力。零信任体系结构(ZTA)范式需要一个严格且连续的过程来验证所有网络实体和通信。我们方法在检测和识别非驾驶飞机(UAV)方面的准确性为84.59%。这是通过在深度学习框架内利用射频(RF)信号来实现的,这是一种独特的方法。精确的标识在零信任体系结构(ZTA)中至关重要,因为它决定了网络访问。此外,使用可解释的人工智能(XAI)工具,例如Shapley添加说明(SHAP)和局部可解释的模型 - 不合Snostic解释(LIME),这有助于改善模型的透明度和可解释性。遵守零信任体系结构(ZTA)标准可以确保无人驾驶汽车(UAV)的分类是可验证且可理解的,从而增强了无人机领域内的安全性。索引术语 - 零信任体系结构,无人机检测,RF信号,深度学习,塑造,石灰,可解释的AI,空域安全
医疗保健欺诈是一项全球财务挑战,影响了经济稳定和对服务的信任,传统的机器学习模型努力准确地捕捉其复杂性和适应性。这项研究研究了三种深度学习(DL)模型的应用,即人工神经网络(ANN),卷积神经网络(CNN)和长期记忆网络(LSTM)在医疗保健欺诈检测中的应用。本研究使用医疗保健索赔数据,包括患者人口统计数据,索赔金额,诊断代码和程序类型,以分析医疗保健服务的使用并确定欺诈活动。为了增强这些模型的可解释性,使用了局部解释的模型不足的解释(LIME)。评估结果表明,ANN是最佳性能,精度为0.94,精度为0.78,召回0.45,F1得分为0.57。尽管CNN在准确性上表现出色,但LSTM在减少虚假负面方面具有更大的影响。ANN的石灰显示了声称非伪造性的预测,高概率为0.96,而不是用“潜在抛弃”作为欺诈行为的0.03概率,作为驾驶指标,评估指标表明,它在正确识别欺诈性的情况下很好地表明,它很好。这项研究强调了将深度学习模型与可解释的AI(XAI)整合在一起的效果,这为医疗保健保险欺诈检测中不断增长的研究机构做出了贡献。
•在沥青生产中使用废料的增加(说唱,玻璃,废物,塑料,磨碎橡胶,碳粉等)•降低生产和压实温度(WMA技术)•减少干燥骨料的能量(覆盖储存量,绝缘,隔热,使用绿色燃料,溶液等)•使用绿色燃料和较高的碳纤维材料,例如使用较低的碳水化合物•使用较低的碳水化合物•使用较低的cody prodbord•hyd-cody bodiber of figner infim infim in coby of coby offor infim infim•使用水分般的粘贴式粘贴式粘贴式粘贴式粘贴式胶水材料•粘合剂•使用回收和回收解决方案,例如基础处理和稳定