XiaoMi-AI文件搜索系统
World File Search System特征映射
![问题空间中对抗性机器学习攻击的有趣特性 [扩展版]](/simg/g:\will\search\icon\source\8\8f73227efa1e93be4dd1f385f99837f08cb09cb9.png)
问题空间中对抗性机器学习攻击的有趣特性 [扩展版]
对抗性机器学习 (ML) 的最新研究工作已经调查了问题空间攻击，重点关注在与图像不同、没有明确的特征空间逆映射的领域（例如软件）中生成真实的规避对象。然而，问题空间攻击的设计、比较和现实影响仍未得到充分探索。本文做出了三个主要贡献。首先，我们提出了问题空间中对抗性 ML 规避攻击的一般形式化，其中包括对可用转换、保留语义、缺失伪影和合理性的全面约束集的定义。我们阐明了特征空间和问题空间之间的关系，并引入了副作用特征的概念作为逆特征映射问题的副产品。这使我们能够定义并证明问题空间攻击存在的必要和充分条件。其次，基于我们的一般形式化，我们提出了一种针对 Android 恶意软件的新型问题空间攻击，该攻击克服了过去在语义和伪影方面的限制。我们已经在包含 2016 年和 2018 年的 15 万个 Android 应用程序的数据集上测试了我们的方法，结果表明逃避最先进的恶意软件分类器及其强化版本的实际可行性。第三，我们探索对抗性训练作为一种可能方法来增强对抗性样本的鲁棒性的有效性，评估其在不同场景下对所考虑的机器学习模型的有效性。我们的结果表明，“对抗性恶意软件即服务”是一种现实威胁，因为我们会自动大规模生成数千个真实且不显眼的对抗性应用程序，平均只需几分钟即可生成一个对抗性实例。
分层加密签名映射勒索软件分类：一种结构分解方法
摘要 - 基于吸附的网络威胁继续发展，利用越来越复杂的加密技术来逃避检测并在受损的系统中持续存在。旨在分析结构加密特性的层次分类框架提供了一种新颖的方法，可将恶意加密与合法的加密操作区分开。通过系统地分解加密工作，分类方法会增强识别跨二经域威胁变体的不同模式的能力，从而降低了对经常不受快速突变威胁的预定签名的依赖。该研究研究了密码学特征映射如何促进分类精度的提高，突出了熵，钥匙交换机制和算法依赖性在区分有害加密活动中的作用。通过实验验证，该框架在多个攻击家族中表现出高度的精度，超过了调用分类技术，同时保持了适合大规模网络安全应用的计算效率。分层的结构分析进一步增强了法医调查，使安全分析师能够解剖加密工作流程，以追踪攻击起源并确定跨不同运动的共同点。该方法论加强了主动的威胁减轻工作，提供了可扩展且适应性的解决方案，该解决方案既是已知和新兴加密的网络威胁。比较评估说明了结构分解在减轻假阳性和负面因素方面的优势，从而增强了在实际安全环境中加密签名分类的可靠性。
基于激光雷达的3D时间对象通过运动...
摘要：最近，行业对自动驾驶的需求不断增长，引起了对3D对象检测的极大兴趣，从而导致许多出色的3D对象检测算法。但是，大多数3D对象检测器仅专注于一组激光雷达点，而忽略了它们通过利用连续的激光雷达点提供的信息来提高性能的潜在能力。在本文中，我们提出了一种新颖的3D对象检测方法，称为时间运动感知3D对象检测（TM3DOD），该方法利用了时间发光剂数据。在提出的TM3DOD方法中，我们通过使用连续的BEV特征映射生成运动功能来汇总LIDAR VOXER和当前BEV特征。首先，我们提出了时间体素编码器（TVE），该编码器（TVE）通过捕获体素内的点集之间的时间关系来生成体素表示。接下来，我们设计一个运动吸引特征聚合网络（MFANET），该网络旨在通过量化两个连续的BEV特征图之间的时间变化来增强当前的BEV特征表示。通过分析BEV特征图随时间推移的差异和变化，MFANET捕获运动信息并将其集成到当前特征表示中，从而使3D对象更加可靠，更准确地检测。对Nuscenes基准数据集的实验评估表明，与基线方法相比，提出的TM3DOD方法在3D检测性能方面取得了显着改善。此外，我们的方法与最先进的方法达到了可比的性能。
查询意见的语言图像融合嵌入e- ...
相关性模块在电子商务搜索中起着基本作用，因为他们负责根据用户查询从数千个项目中选择相关产品，从而增强用户的体验和效率。传统方法根据产品标题和用户查询来计算相关性得分，但是单独的标题中的信息可能不足以完全删除产品。一种更通用的方法是进一步利用产品图像信息。近年来，视觉语言预训练模型在许多情况下都实现了令人印象深刻的恢复，这些模型将构图的研究利用将文本和vi-sual特征映射到关节嵌入空间中。在电子商务中，一种常见的做法是根据预先训练的模型，使用电子商务数据进一步微调模型。但是，性能是最佳的，因为视觉语言预训练模型缺乏专门为查询设计的一致性。在此过程中，我们提出了Q uery-a an an a an an a a a guage i mage f usion e mbedding，以应对这些挑战（Query-Life）。它利用基于查询的mul-timodal融合来根据产品类型有效地合并图像和标题。在方面，它采用查询感知的模态对准来增强产品的全面表示的准确性。此外，我们设计了Genfilt，它利用大型模型的发电能力过滤出虚假的负样本，并进一步改善模型中对比度学习任务的整体性能。实验表明，查询寿命的表现优于现有基准。我们进行了消融研究和人类评估，以验证查询寿命内每个模块的效率。此外，查询生活已在Miravia搜索1
使用基于元学习的深度学习模型推断麻醉状态下的大脑状态
摘要 — 监测麻醉期间的意识深度对于临床环境和神经科学研究都有助于了解大脑机制。脑电图 (EEG) 已被用作实时表征麻醉剂引起的大脑改变的唤醒和/或认知状态的客观手段。不同的全身麻醉剂以不同的方式影响脑电活动。然而，由于 EEG 信号的信噪比 (SNR) 低，尤其是在办公室麻醉 EEG 环境中，传统机器学习模型在 EEG 数据上的表现并不令人满意。深度学习模型因其良好的泛化和处理噪声的能力而被广泛应用于脑机接口 (BCI) 领域以执行分类和模式识别任务。与其他深度学习已显示出令人鼓舞的结果的 BCI 应用相比，用于对麻醉下不同大脑意识状态进行分类的深度学习方法的研究要少得多。在本文中，我们提出了一种基于元学习的新框架，使用深度神经网络对麻醉状态下的大脑状态进行分类，即 Anes-MetaNet。Anes-MetaNet 由卷积神经网络 (CNN) 组成，用于提取功率谱特征，基于长短期记忆 (LSTM) 网络的时间后果模型用于捕获时间依赖性，以及元学习框架用于处理跨主体的大量差异。我们使用多阶段训练范例来提高性能，这可以通过可视化高级特征映射来证明。通过与现有方法进行比较，在办公室麻醉脑电图数据集上进行的实验证明了我们提出的 Anes-MetaNet 的有效性。
使用深度学习的风湿性心脏病检测...
5副教授1计算机科学与工程系，1萨特亚技术与管理研究所，维齐亚纳加兰，安得拉邦，印度安得拉邦摘要：风湿性心脏病（RHD）是对细菌攻击的自身免疫反应，使心脏瓣膜正常功能恶化。瓣膜上的损伤会影响心脏腔内部的正常血液流动，该血液可以通过听诊器记录并通过听觉记录作为声音图。但是，听诊的手动方法很困难，耗时和主观。在这项研究中，基于卷积神经网络的深度学习算法用于执行自动听诊，并将心脏的声音分为正常和风湿性。分类是在未分段的数据上进行的，其中不需要第一个，第二，收缩期和舒张期的提取。CNN网络的体系结构形成为一层层。卷积和批处理标准化层，然后是最大池层以下样品，使用了特征图。在末尾有一个最终的最大池层层，该层将随着时间的流逝汇集输入特征映射，并在末尾包括一个完全连接的层。网络有五个卷积层。目前的工作说明了使用MEL Spectrotoral表示使用深卷积神经网络的使用。在本研究中，从一百七十名受试者中记录了RHD心脏声音数据集，其中一百二十四名被确认为RHD患者。该系统的整体准确度为96.1％，灵敏度为94.0％，特异性为98.1％。索引术语 - 风湿性心力衰竭，深度学习，心脏声音，机器学习，PCG。
MOCNN：一种用于
摘要 事件相关电位（ERP）反映了大脑对外部事件作出反应的神经生理变化，其背后的复杂时空特征信息受大脑内持续的振荡活动支配。深度学习方法以其出色的特征表示能力越来越多地被用于基于ERP的脑机接口（BCI），可以深入分析大脑内的振荡活动。时空频率较高的特征通常表示详细和局部的信息，而时空频率较低的特征通常表示全局结构。从多个时空频率中挖掘脑电特征有利于获得更多的判别性信息。本文提出了一种多尺度特征融合八度卷积神经网络（MOCNN）。MOCNN将ERP信号分为对应于不同分辨率的高频、中频和低频分量，并在不同的分支中进行处理。通过添加中频和低频分量，可以丰富MOCNN使用的特征信息，并减少所需的计算量。 MOCNN 在使用时间和空间卷积进行连续特征映射后，通过分支间特征信息交换实现不同组件间的交互式学习。将融合的深度时空特征从各个组件输入到全连接层，实现分类。在两个公共数据集和一个自采集的 ERP 数据集上获得的结果表明，MOCNN 可以实现最佳的 ERP 分类性能。本研究将广义的八度卷积概念引入到 ERP-BCI 研究领域，通过分支宽度优化和各个尺度上的信息交互，可以从多尺度网络中提取有效的时空特征。索引词——脑机接口、事件相关电位、深度学习、多尺度、八度卷积神经网络。
帕金森病的神经生理学脑指纹 Jason da Silva Castanheira、Alex I. Wiesman、Justine Y. Hansen、Bratislav Misic、Sylva
1 蒙特利尔神经学研究所，麦吉尔大学，蒙特利尔魁北克，加拿大 * 通讯作者：sylvain.baillet@mcgill.ca。‡ 本文所用的数据来自阿尔茨海默病新型或实验性治疗的症状前评估 (PREVENT-AD) 计划，数据发布 6.0。PREVENT-AD 研究组的完整列表可在 PREVENT-AD 数据库中找到。PREVENT-AD 计划的研究人员为 PREVENT-AD 的设计和实施做出了贡献和/或提供了数据，但未参与本报告的分析或撰写。摘要 在本研究中，我们调查了从脑电生理活动中获得的脑指纹在帕金森病 (PD) 诊断和进展监测中的临床潜力。我们通过短暂的、无任务的脑磁图记录获取了 PD 患者和年龄匹配的健康对照者的脑指纹。个体脑指纹的节律成分可以以大约 90% 的准确率区分患者和健康参与者。帕金森脑指纹最突出的皮质特征映射到单峰感觉运动区域的多节律活动。利用这些特征，我们还表明可以直接从皮质神经生理活动中解码帕金森病的阶段。此外，我们的研究表明，帕金森脑指纹的皮质拓扑结构与受该疾病病理生理影响的神经递质系统的皮质拓扑结构一致。我们进一步证明，帕金森病患者的皮质活动心律失常成分在短时间内比健康对照组更具变化性，这使得基于这些特征对患者进行个体区分更具挑战性，并解释了之前发表的负面结果。总体而言，我们概述了患者特定的节律性脑信号特征，这些特征为帕金森病的神经生理特征和临床分期提供了见解。因此，帕金森病节律性脑指纹的提出定义可能有助于提出新颖、精细的患者分层方法，并有助于更好地识别和测试治疗性神经刺激目标。
ASHA：通过人机协同强化学习实现辅助远程操作
摘要 — 构建用于通过任意、高维、嘈杂的输入（例如，网络摄像头的眼部注视图像）控制机器人的辅助界面可能具有挑战性，尤其是在没有自然的“默认”界面的情况下推断用户期望的操作时。通过在线用户对系统性能的反馈进行强化学习为这个问题提供了一个自然的解决方案，并使界面能够适应个人用户。然而，这种方法往往需要大量的人在环训练数据，尤其是在反馈稀疏的情况下。我们提出了一种从稀疏用户反馈中有效学习的分层解决方案：我们使用离线预训练来获取有用的高级机器人行为的潜在嵌入空间，这反过来又使系统能够专注于使用在线用户反馈来学习从用户输入到期望的高级行为的映射。关键见解是，使用预训练策略可使系统从稀疏奖励中学到比单纯的强化学习算法更多的知识：使用预训练策略，系统可以利用成功的任务执行来重新标记用户在未成功执行期间实际想要做的事情。我们主要通过一项用户研究来评估我们的方法，该研究有 12 名参与者，他们使用网络摄像头和他们的目光在三个模拟机器人操作领域执行任务：拨动电灯开关、打开架子门以接触里面的物体以及旋转阀门。结果表明，我们的方法在不到 10 分钟的在线训练中成功地学会了从稀疏奖励中将 128 维凝视特征映射到 7 维关节扭矩，并无缝帮助采用不同凝视策略的用户，同时适应网络摄像头输入、任务和环境的分布变化。
使用无监督机器学习自动跟踪多发性硬化症中的主动病变
摘要：背景：在磁共振成像 (MRI) 中识别活动性病变对于多发性硬化症 (MS) 的诊断和治疗计划至关重要。在施用钆基造影剂 (GBCA) 后，可以识别 MRI 上的活动性病变。然而，最近的研究报告称，重复施用 GBCA 会导致 Gd 在组织中积聚。此外，施用 GBCA 会增加医疗保健成本。因此，减少或取消用于活动性病变检测的 GBCA 施用对于提高患者安全性和降低医疗保健成本非常重要。目前，无需施用 GBCA 即可识别脑部 MRI 中的活动性病变的最先进方法利用数据密集型深度学习方法。目标：实现数据密集度较低的非线性降维 (NLDR) 方法、局部线性嵌入 (LLE) 和等距特征映射 (Isomap)，用于自动识别 MS 患者脑部 MRI 上的活动性病变，而无需施用造影剂。材料和方法：本研究中使用的多参数 MRI 数据集包括液体衰减反转恢复 (FLAIR)、T2 加权、质子密度加权以及对比前后 T1 加权图像。减影前后对比 T1 加权图像由专家标记为活动性病变 (地面真实值)。使用无监督方法 LLE 和 Isomap 将多参数脑 MR 图像重建为单个嵌入图像。在嵌入图像上识别活动性病变并将其与地面真实病变进行比较。通过计算嵌入图像中观察到的和识别出的活动性病变之间的 Dice 相似性 (DS) 指数来评估 NLDR 方法的性能。结果：LLE 和 Isomap 应用于 40 名 MS 患者，分别获得 0.74 ± 0.1 和 0.78 ± 0.09 的中位 DS 评分，优于目前最先进的方法。结论：NLDR 方法、Isomap 和 LLE 是识别非对比图像上活动性 MS 病变的可行选择，并且可能用作临床决策工具。