XiaoMi-AI文件搜索系统
World File Search System鲁棒
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
认证鲁棒性的实际方面和含义
●C。-C。 Kao，C. -S。 lu和C. -m。 Yu，“图像取证罢工：针对对抗贴片的防御”，2024 IEEE国际视觉通信与图像处理会议（VCIP），日本东京，日本，2024年，第2024页，pp。1-5，doi：10.1109/vcip63160.2024.10849849。
正式评估神经网络的鲁棒性及其与基于AI的安全 - 关键领域的关键相关性
摘要：神经网络在关键任务中起着至关重要的作用，其中错误的产出可能会带来严重的后果。传统上，神经网络的验证重点是评估其在大量输入点上的性能，以确保所需的输出。但是，由于输入空间的几乎无限基数，详尽检查所有可能的输入变得不切实际。在广泛的输入样本上表现出强大性能的网络可能无法在新颖的情况下正确概括，并且仍然容易受到对抗性攻击的影响。本文介绍了神经网络鲁棒性的一般管道，并概述了不同的领域，这些领域共同努力，以实现鲁棒性保证。这些领域包括评估针对对抗性攻击的鲁棒性，正式评估鲁棒性并应用防御技术以增强模型时的鲁棒性。
首先在1.2 kV SIC MOSFET身体二极管鲁棒性测试
1。上下文SIC MOSFET由于其强劲的损失而广泛用于新应用设计，并且具有高开关频率和高工作温度的功能。与氧化门相关的可靠性问题已经很好地解决，并且已经发表了许多有关阈值电压不稳定性的研究[1; 2]。使用车身二极管避免外部Schottky二极管[3; 4]。在本研究中，对1.2 kV的SIC MOSFET体二极管进行了压力并进行了研究，以确定使用时任何衰老或降解问题。
LIDAR可用于鲁棒的exoatmospheric定位
I。虽然早期空间任务不需要精确，但现代应用，例如卫星维修和维护，可重复使用的发射车，洲际弹道导弹指导和拦截以及一些卫星到卫星通信，需要精确的位置和速度信息。全球导航卫星系统（GNSS），例如美国的全球定位系统（GPS），可用于在地球表面和低地球轨道（LEO）上进行精确定位。[1]但是，当前的GNSS系统使用少量，复杂且昂贵的卫星，这些卫星无法修复或及时更换，这意味着仅禁用少数卫星可以在大面积上破坏该系统。低接收的功率和涉及的长距离也意味着GNSS容易受到信号spoo fifg和jamming的影响。[2]面对扩散的反卫星武器和电子战系统，政府和商业实体寻求一种替代的太空导航方法可能是优先事项，该方法对对手的干扰更为强大。现有的GNSS替代方法是使用基于地面的跟踪。但是，雷达和光学信号会受到大气扭曲的影响，从而降低了位置精度。使用扩展的集成时间的持久跟踪可以克服大气变形，但这不适用于指导短时间操作。地面跟踪也受到对抗性破坏的约束。此外，单个地面站的有限视图意味着在整个轨道或轨迹中进行持续跟踪需要一个大型网络，并且在有争议或偏远地区的地球区域可能无法进行跟踪。地面数据必须从电台的分布式网络汇总，并迅速传输到车辆，在此期间，它可能会受到干扰，spoofig或其他干扰。我们引入了一种更强大的空间导航方法，该方法使用对位置纤维的自主多材料，或用大地测量的语言进行基准测试。这个
在增强学习中弥合现实差距：鲁棒
强化学习（RL）通过互动来培训计算模型来解决复杂的决策。但是，由于昂贵或危险错误的高风险，在实地世界环境中的直接培训（例如自动驾驶或医疗程序）通常是不切实际的。因此，RL通常依赖于模拟环境或静态离线数据集。但是，这种依赖引入了一个关键的挑战，称为“现实差距” - 训练条件与现实世界应用中遇到的动态之间的差异。本演示文稿解决了旨在通过增强RL策略的有效性来弥合这一差距的创新策略： - 强大的RL优化：我们深入研究了扰动的战略使用，以优化从模拟器中汲取的政策。这种方法着重于提高这些政策的适应性和鲁棒性，使它们更适合于可变性和意外条件的现实应用程序。- 离线RL优化：进一步的讨论将探讨汉密尔顿 - 雅各比 - 贝尔曼（HJB）方程的应用，作为增强在静态数据集中训练的策略的方法的方法。该技术对于在无法实现与环境的实时互动的情况下改善现实世界的适用性至关重要。
脑启发的方法用于在异质混合信号神经形态处理系统中实现鲁棒计算
抽象的神经形态处理系统实施具有混合信号模拟/数字电子电路和/或熟悉设备的混合信号神经网络代表了一种有希望的技术，用于需要低功率，低延迟，并且由于缺乏连接性或隐私问题而无法连接到离线处理的云，并且无法连接到离线处理。但是，这些电路通常嘈杂且不精确，因为它们受设备之间的变化影响，并且以极小的电流运行。因此，在这种方法之后，实现可靠的计算和高精度仍然是一个公开挑战，一方面阻碍了进度，另一方面有限地采用了这项技术的广泛采用。通过构造，这些硬件处理系统具有许多在生物学上合理的约束，例如参数的异质性和非同质性。越来越多的证据表明，将这种限制应用于人工神经网络，包括在人工智能中使用的限制，可以促进学习方面的鲁棒性并提高其可靠性。我们认为，这些策略对于指导设计可靠且可靠的超低功率电子神经处理系统，该系统使用嘈杂和不精确的计算基板（例如阈值神经形态电路和新兴的记忆技术）实施。Here we delve even more into neuroscience and present network-level brain-inspired strategies that further improve reliability and robustness in these neuromorphic systems: we quantify, with chip measurements, to what extent population averaging is effective in reducing variability in neural responses, we demonstrate experimentally how the neural coding strategies of cortical models allow silicon neurons to produce reliable signal representations, and show how to强有力地实施基本的计算基础，例如选择性放大，信号恢复，工作记忆和关系网络，从而利用此类策略。
用于在轨服务的具有柔性附件的旋转漂浮空间机器人的鲁棒控制
线性和角航天器动力学。已经针对捕获应用进行了研究，因为潜在的翻滚目标需要经过调整的机械手方法。通过 Giordano 等人 (2018) 提出的工作空间调整策略或 Giordano 等人 (2019) 同时控制全局质心和航天器姿态，已经研究了如何有效使用推进器来补偿机械手运动。同样，当仅控制机械手时，Pisculli 等人 (2015) 开发了反应零空间控制，以减少机械手和航天器底座之间的相互作用。还可以注意到没有考虑底座执行器的情况。更一般地说，轨迹规划被认为可以减少机械手运动和/或外部干扰对底座的影响，至少对于无奇点轨迹而言。Rybus 等人采用了非线性模型预测控制。 (2017) 确保机械手实现优化轨迹，最大限度地减少机械手对卫星的干扰，同样在捕获接近阶段，Lu 和 Yang (2020) 研究了笛卡尔轨迹规划，以最大限度地减少姿态干扰，Seddaoui 和 Saaj (2019) 提出了一种用于燃料消耗优化的无碰撞路径和无奇点路径的通用轨迹规划，同时采用 H ∞ 控制和前馈补偿处理内部和外部扰动。
分数：评估决策的鲁棒性 -
摘要 - 自主驾驶系统（ADS）测试对于ADS开发至关重要，目前的主要重点是安全性。然而，对非安全性能的评估，尤其是广告做出最佳决策并为自动驾驶汽车（AV）提供最佳途径的能力，对于确保智力和降低AV风险的智力也至关重要。当前，几乎没有工作来评估ADSS路径规划决策（PPD）的鲁棒性，即，在环境中无关紧要的变化后，广告是否可以维持最佳的PPD。关键挑战包括缺乏评估PPD最优性的清晰牙齿，以及寻找导致非最佳PPD的场景的困难。为了填补这一空白，在本文中，我们专注于评估ADSS PPD的鲁棒性，并提出了第一种方法，分区者，用于生成非最佳决策方案（NODSS），其中ADS不计划AVS的最佳路径。测试器包括三个主要组成部分：非侵入性突变，一致性检查和反馈。为了克服甲骨文挑战，设计了非侵入性突变以实施保守的修改，从而确保了在突变场景中保存原始的最佳路径。随后，通过比较原始场景和突变的场景中的驱动路径来应用一致性检查以确定非最佳PPD的存在。为了应对大型环境空间的挑战，我们设计了整合AV运动的空间和时间维度的反馈指标。这些指标对于有效地转向发射的产生至关重要。因此，分子可以通过生成新方案，然后在新方案中识别点头来生成点头。我们评估了开源和生产级广告Baidu Apollo上的分员。实验结果验证了分子在检测ADS的非最佳PPD中的有效性。它总共生成63.9个点头，而表现最佳的基线仅检测35.4个点头。
e-guard：专家指导的鲁棒干扰复合检测
由小有机化合物引起的分析干扰继续对早期药物发现构成巨大挑战。已经开发了各种计算方法来识别可能引起测定干扰的化合物。但是，由于可用于模型开发的数据稀缺，这些方法的预测准确性和适用性受到限制。在这项工作中，我们介绍了E-Guard（专家指导的鲁棒干扰复合检测的增强），这是一个新颖的框架，试图通过整合自我介绍，积极的学习和专家指导的分子产生来解决数据稀缺和失衡。e-guard迭代地用与干扰相关的分子丰富了训练数据，从而产生了具有出色性能的定量结构交流关系（QSIR）模型。我们以四个高质量数据集，氧化还原反应性，纳米酸酯酶抑制和萤火虫荧光素酶抑制的示例，证明了电子方形的实用性。与未经e-Guard数据增强的模型相比，这些数据集的MCC值最高为0.47，其富集因子的改进有两个或更高。这些结果突出了电子保守物作为缓解早期药物发现中测定干扰的可扩展解决方案的潜力。