XiaoMi-AI文件搜索系统
World File Search System鲁棒性
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。
海报：基于加强学习的自主行动的鲁棒性驱动到对抗性输入
在这项研究中，我们评估了自主驾驶（AD）系统中增强学习的鲁棒性（RL），特别是反对对抗攻击的稳健性。我们采用了Karavolos等人提出的基于Q学习的AD模型。[1]的简单性，是我们分析的基础。此选择使我们能够在简单的Q学习方法和更复杂的RL系统之间进行明显的比较。我们设计了两个威胁模型，以模拟对基于RL的广告系统的对抗性攻击。第一个模型涉及在RL模型的细调中注入未发现的恶意代码，使其容易受到对抗性扰动的影响，这可能会导致在特定的触发条件下碰撞。第二个威胁模型旨在通过直接改变RL模型在特定触发条件下的行动决策来引起碰撞，这代表了一种更隐秘的方法。基于这些威胁模型，我们对两种主要情况的实证研究提出：操纵传感器输入和直接对动作的扰动。研究结果表明，尽管基于RL的AD系统表现出针对传感器输入操纵的弹性，但在受到直接动作扰动时它们会表现出脆弱性。主要的和宽容的场景涉及更改传感器读数，例如在偏心转弯期间，这可能会误导系统并可能导致事故。这对于小误差很大的操作至关重要。第二种情况直接扰动动作，更多地是对基于RL的AD系统脆弱性的理论研究，而不是实用的现实世界威胁。
低级视觉任务的语言指南的鲁棒性：深度估算的发现
通过将自然语言纳入附加指导来实现单眼深度估计的最新进展。尽管产生了令人印象深刻的结果，但语言先验的影响，尤其是在发生和鲁棒性方面，仍未得到探索。在此过程中，我们通过量化此之前的影响来解决这一差距，并引入方法以在各种环境中基准其有效性。我们生成“低级”句子，传达以对象为中心的三维空间关系，将它们纳入其他语言先验，并评估其对深度估计的下游影响。我们的关键发现是，当前语言引导的深度估计仅通过场景级别的描述和违反直觉的效果最佳地发挥作用。尽管利用了其他数据，但这些方法对于对抗性攻击并随着分配变化的增加而对性攻击和绩效下降并不强大。fi-nally，为了为未来的研究提供基础，我们识别出失败点，并提供见解以更好地理解这些缺点。使用语言进行深度估算的越来越多的方法，我们的发现突出了需要仔细考虑在现实世界中有效部署的机会和陷阱。1
硅碳化物MOSFET中的短路鲁棒性和载体寿命
抽象注意力缺陷多动症（ADHD）是一种神经发育多基因疾病，影响了世界各地5％以上的儿童和青少年。遗传和环境因素在ADHD病因中起着重要作用，这导致了整个人群中广泛的临床结果和生物学表型。与同龄人的对照相比，患者通常发现了4年滞后的大脑成熟延迟。细胞生长率的可能差异可能反映了多动症患者的临床观察结果。但是，仍未阐明细胞机制。为了检验这一假设，我们分析了诱导多能干细胞（IPSC）和神经干细胞（NSC）的增殖，这些细胞（NSC）源自男性儿童和诊断为ADHD的男孩和青少年（使用多基因风险评分评估），以及其相应的对照组。在当前的试点研究中，值得注意的是，ADHD组的NSC繁殖小于对照，而在IPSC发育阶段没有发现差异。我们来自两种不同的增殖方法的结果表明，患者发现的功能和结构延迟可能与这些体外表型差异有关，但从明显的神经发育阶段开始。这些发现是多动症疾病建模领域的第一个发现，对于更好地了解该疾病的病理生理可能至关重要。
通过量子假设测试的量子分类的最佳可证明的鲁棒性
量子机学习模型与其经典同行相比，有可能提供加速和更好的预测精度。然而，这些量子算法与它们的经典算法一样，也已被证明也很容易受到输入扰动的影响，尤其是对于分类问题。这些可能是由于嘈杂的实现而引起的，也可以作为最坏的噪声类型的对抗性攻击。为了开发防御机制并更好地理解这些算法的可靠性，在存在自然噪声源或对抗性操纵的情况下了解其稳健性至关重要。从量子分类算法涉及的测量值是自然概率的，我们发现并形式化了二进制量子假设测试与可证明可证明可靠的量子分类之间的基本联系。此链接导致紧密的鲁棒性条件，该条件对分类器可以忍受的噪声量构成约束，而与噪声源是自然的还是对抗性的。基于此结果，我们开发了实用协议以最佳证明鲁棒性。最后，由于这是针对最坏情况类型的噪声类型的鲁棒条件，因此我们的结果自然扩展到已知噪声源的场景。因此，我们还提供了一个框架来研究量子分类方案的可靠性，超出了对抗性，最坏情况的噪声场景。
审查温带农业系统的弹性，脆弱性，鲁棒性和适应能力的定量评估
Manon Dardonville，Christian Bockstaller，Olivier Therond。回顾了温带农业系统的弹性，脆弱性，鲁棒性和适应能力的定量评估。清洁工生产杂志，2021，286，pp.125456。10.1016/j.jclepro.2020.125456。hal-03150196
微生物细胞工厂：生物多样性，途径构建，鲁棒性和工业适用性
摘要：蛋白质，原代代谢产物和化学物质的微生物生物合成正在增强势头，目前被视为工业研究部门的一种前进方法。对环境的威胁增加了，石油资产下降的可能性已将聚光灯转变为微生物细胞工厂（MCFS）。除了具有与化学合成相比的各种优势（例如毒性，更便宜的方法论和环境良性的性质）外，发酵罐还可以种植微生物，从而在工业相关性方面采用有效的生物处理方法。由于绝大多数生物多样性都是微生物，因此该评论首先凸显了工业上重要的微生物的微生物生物多样性。然后，纸张描绘了通过微生物求职者生成有价值的生物产品的生产途径。许多宿主细胞合成生物化合物作为其自然机制的一部分；但是，还开发了几种技术来从具有选定特性的非本地微生物中获得所需的最终产物。微生物生物合成途径可以归类为天然 - 现有途径，异源途径和人工途径。系统的代谢工程将代谢工程与进化工程，合成双学科和系统生物学整合在一起，进一步彻底改变了工程强大表型领域。这些策略的使用可改善菌株的性能，最终达到生物化学物质的高滴度和生产率。在本文中还简要讨论了用于利用本地途径和设计非本地创建途径的现代趋势和工具。fi-nce，综述讨论了使用微生物工作试力品来生产无数材料和化学物质，包括羧酸，氨基酸，植物天然产物（PNP），类胡萝卜素，口味和香料，揭示使用微生物物种生成可持续性生物生物生物生物生物生物的功效。
使用改良过度Feat CNN的实时车辆和车道检测：一项关于自动驾驶中鲁棒性和性能的全面研究
|摘要该检查研究了使用深刻学习方法的使用，即明确利用卷积脑组织（CNN），以持续识别道路驾驶情况中的车辆和路径限制。该研究通过利用一个包括由各种传感器捕获的注释帧，包括相机，激光雷达，雷达，雷达和GPS捕获的带注释的框架，调查了对CNN体系结构的修改性能。该框架在识别车辆和预期3D的路径形状方面表现出诚意，同时在不同的GPU设置上完成10 Hz以北的功能率。车辆边界盒预测具有很高的精度，对遮挡的阻力和有效的车道边界识别是关键发现。安静，探索强调了该框架在独立驾驶空间中的可能物质性，为该领域的未来改进带来了有前途的道路。
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。