XiaoMi-AI文件搜索系统
World File Search System愚弄
协同感知和控制单纯性可验证...
2017。自动驾驶安全性：跨学科挑战。IEEE智能运输系统杂志。 Koopman和Wagner。 2019。 为什么深度学习AI如此容易愚弄。 自然。 D.天堂。 2020。 可在物理上可实现的对抗性示例，用于雷达对象检测。 在IEEE/CVF计算机视觉和模式识别会议的会议记录中。 tu等。 2020。 自动驾驶的深度多模式对象检测和语义分割：数据集，方法和挑战。 IEEE交易智能运输系统。 冯等。 2022。 可解释的深度学习：初学的现场指南。 人工智能研究杂志。 Ras等。 2022。 自动驾驶标准和开放挑战。 P. Koopman。 2023。 密集的强化学习，用于对自动驾驶汽车的安全验证。 自然。 冯等。IEEE智能运输系统杂志。Koopman和Wagner。 2019。 为什么深度学习AI如此容易愚弄。 自然。 D.天堂。 2020。 可在物理上可实现的对抗性示例，用于雷达对象检测。 在IEEE/CVF计算机视觉和模式识别会议的会议记录中。 tu等。 2020。 自动驾驶的深度多模式对象检测和语义分割：数据集，方法和挑战。 IEEE交易智能运输系统。 冯等。 2022。 可解释的深度学习：初学的现场指南。 人工智能研究杂志。 Ras等。 2022。 自动驾驶标准和开放挑战。 P. Koopman。 2023。 密集的强化学习，用于对自动驾驶汽车的安全验证。 自然。 冯等。Koopman和Wagner。2019。为什么深度学习AI如此容易愚弄。自然。D.天堂。2020。可在物理上可实现的对抗性示例，用于雷达对象检测。在IEEE/CVF计算机视觉和模式识别会议的会议记录中。tu等。2020。自动驾驶的深度多模式对象检测和语义分割：数据集，方法和挑战。IEEE交易智能运输系统。冯等。2022。可解释的深度学习：初学的现场指南。人工智能研究杂志。Ras等。 2022。 自动驾驶标准和开放挑战。 P. Koopman。 2023。 密集的强化学习，用于对自动驾驶汽车的安全验证。 自然。 冯等。Ras等。2022。自动驾驶标准和开放挑战。P. Koopman。2023。密集的强化学习，用于对自动驾驶汽车的安全验证。自然。冯等。
kahaku事件
○Date and time: 2/19 (Wed) - 24 (Mon, closed) Each session is 1:30pm-15:00pm ○Venue: Nature Educational Center ○Lecturer: 1: 2/19 (Wed) Fukano Yuya, Associate Professor, Chiba University Graduate School, "Understanding and loosening the crowded relationship between agriculture and biodiversity" 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2: 2 Miyuki Mashiko，国家研发机构，农业和食品工业技术研究所：“停止瓜和鸭子损害！我们不会被愚弄。 *首先到达，一旦达到容量，就首先送达。 http://www.ins.kahaku.go.jp/○参与费：入学费（普通学生和大学生320日元，高中生及65岁以下，年龄在65岁及以上）。
Wolf-Gordon 为创意人士提供的灵感
根据在拉斯维加斯展出的成果，艺术家们似乎乐于想出各种方法来愚弄人工智能，让复制他们的图案变得尽可能困难。芝加哥艺术学院的艺术家兼教授 Christine Tarkowski 通过将浸水的牛皮纸反复折叠成正方形，然后将 2000 华氏度的熔融玻璃滴在折叠的纸上，从而生成了她的图案“大正方形”。玻璃烧穿了几层，熄灭并展开后便显示出图案。虽然 Tarkowski 将几何与熵作用并置（这是她作品中一个持续的主题）对于人工智能来说不可能通过几个不同的口头提示完全匹配，但人工智能版本中燃烧的折纸图像是可以理解的。
无人机检测技术的评估 - 新加坡
收集了包括无人机和干扰因素的数据收集测试数据。无人机数据故意多样化，以各种距离和背景为特色。无人机在遥远的地方测试了模型检测无人机的准确性，该数据的细节受到限制，而在不同背景下的无人机测试了模型对噪声的弹性。根据类似于无人机或与无人机一起发现的对象，故意选择了干扰物数据。由于在选择和标记训练数据时犯了错误，该模型测试了模型被模型中存在的类似特征和偏见误导或愚弄的倾向。在步骤1中，总共收集了12206张图像，其中包括7755张图像和分散图像，其余4451张图像。
1939 年至 1945 年的战争 - ANU 开放研究
双背叛系统是一种非常了不起的欺骗手段，通过这种方式，在英国被俘的德国特工被诱导为盟军服务，向德国军官提供由英国情报部门设计和操纵的信息。在 Masterman 报告中，这种手段的理论和实践被详细阐述，最终为盟军的军事成功做出了巨大贡献。作者揭示了被捕的间谍被有效招募到英国的精心过程，以及英国间谍头目和纳粹特工之间完全心理共情的必要性。他描述了向敌人提供可靠信息的问题，以及最终在实际实施战略欺骗时使用这种“交易”。这里终于解释了希特勒和德国军队是如何被愚弄，相信盟军的 D 日登陆将在加莱海峡而不是诺曼底进行的。
1。机器学习和人工智能的未来
尽管进度令人印象深刻，但当前的机器学习系统具有重大局限性。培训算法需要实质性的计算能力并访问大量数据集，因此只有少数组织才能追求最雄心勃勃的发展。机器学习算法对于分类（而不是连续）变量或输入是异源时的作用不能很好地工作。算法的输出本质上是脆弱的，很容易被专门设计的输入愚弄。成功的模型几乎不可能解释或理解，从而使他们的认证成为挑战。将“获得的知识”转移到其他问题很困难，这限制了我们攻击“日常任务的长尾”的能力。最后，当前的机器学习范式无法很好地处理日常生活中遇到的多种类型的问题，在这种情况下，环境具有高度动态和不可预测的，具有模棱两可或矛盾的多种目标，并且嵌入了人类和社会价值的隐式系统中。
CSE 598 人工智能安全、可靠性和道德问题
• (NT) Bhatt, Umang, Alice Xiang, Shubham Sharma, Adrian Weller, Ankur Taly, Yunhan Jia, Joydeep Ghosh, Ruchir Puri, Jos MF Moura 和 Peter Eckersley。《部署中的可解释机器学习》。《2020 年公平、问责和透明度会议论文集》，第 648-657 页。2020 年。 • (T) Lundberg, Scott M. 和 Su-In Lee。《解释模型预测的统一方法》。《第 31 届神经信息处理系统国际会议论文集》，第 4768-4777 页。2017 年。 • (T) Ribeiro, Marco Tulio、Sameer Singh 和 Carlos Guestrin。《我为什么要相信你？》解释任何分类器的预测。”在第 22 届 ACM SIGKDD 知识发现和数据挖掘国际会议论文集上，第 1135-1144 页。2016 年。• (T) Slack、Dylan、Sophie Hilgard、Emily Jia、Sameer Singh 和 Himabindu Lakkaraju。“愚弄石灰和形状：对事后解释方法的对抗性攻击。”在 AAAI/ACM 人工智能、伦理和社会会议论文集上，第 180-186 页。2020 年。
人为作者身份和司法意见
生成式人工智能 (“AI”) 已经开始改变法律实践。如果乐观的预测被证明是正确的，那么这项技术将如何改变司法意见——一种通常被视为法律核心的体裁？这篇研讨会论文试图回答这个预测性问题，它揭示了当前的现实。简而言之，意见的提供将变得更便宜，而且供应范围更广、更均衡。司法著作往往更有活力、更多样化、更少审议性。随着法律体系说服能力的经济被打乱，法院将与公众展开一场军备竞赛：法官将使用人工增强的修辞来宣传自己的合法性，公众将变得更加愤世嫉俗，以避免被愚弄。矛盾的是，过多的说服性修辞可能会使法律推理本身变得过时。为了应对这些发展，一些法院可能会禁止使用人工智能写作工具，以便他们能够继续声称作者身份带来的权威。因此，潜在的利害关系既包括法律理性的命运，也包括人类参与法律体系的未来。