XiaoMi-AI文件搜索系统
World File Search System对抗训练
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
机器学习中的对抗训练和鲁棒性...
摘要：在机器学习领域，确保对抗攻击的鲁棒性越来越重要。对抗性训练已成为强化模型免受此类漏洞的重要战略。该项目提供了对抗性训练及其在加强机器学习框架弹性中的关键作用的全面概述。我们深入研究了对抗训练的基本原理，阐明了其基本机制和理论基础。此外，我们调查了在对抗训练中使用的最新方法和技术，包括对抗性示例生成和培训方法。通过对最近的进步和经验发现进行彻底的研究，我们评估了对抗性训练在增强各种领域和应用跨机器学习模型的鲁棒性方面的有效性。此外，我们应对挑战并确定这个新兴领域的开放研究途径，为未来的发展奠定了旨在增强机器学习系统在现实世界情景中的安全性和可靠性的基础。通过阐明对抗性训练的复杂性及其对强大的机器学习的影响，本文有助于促进对维护人工智能不断发展的环境中的对抗性威胁至关重要的理解和应用。关键字：对抗性培训，鲁棒性，SGD，模型增强
具有分割混淆对抗训练和对比学习的生成图像修复
本文提出了一种新的带有分割混淆对抗训练（SCAT）和对比学习的图像修复对抗训练框架。SCAT 在修复生成器和分割网络之间进行对抗游戏，提供像素级局部训练信号并能适应具有自由形式孔洞的图像。通过将 SCAT 与标准全局对抗训练相结合，新的对抗训练框架同时展现出以下三个优点：（1）修复图像的全局一致性，（2）修复图像的局部精细纹理细节，以及（3）处理具有自由形式孔洞的图像的灵活性。此外，我们提出了纹理和语义对比学习损失，通过利用鉴别器的特征表示空间来稳定和改进我们的修复模型的训练，其中修复图像被拉近到真实图像但远离损坏图像。所提出的对比损失可以更好地引导修复后的图像从损坏的图像数据点移动到特征表示空间中的真实图像数据点，从而产生更逼真的完整图像。我们在两个基准数据集上进行了广泛的实验，从质量和数量上证明了我们模型的有效性和优越性。