Mar, 2017

使用对抗神经网络进行解相关喷注子结构标记

PDF
TL;DR本文介绍了一种构造神经网络喷注子结构标记器的策略，该标记器强大地区分了提升的衰变信号，同时与喷注质量基本不相关。采用对抗性策略进行训练，平衡分类准确性和去相关性，具有更好的发现意义。在带有背景率系统误差的情况下，对抗训练后的去相关标记器明显优于传统训练的神经网络。
neural networkjet substructureboosted decay signalssystematic uncertaintiesadversarial training
发现论文，激发创造
  • 使用对抗训练改进喷注标记算法的鲁棒性：探索损失表面

    深度学习算法在高能物理学领域中越来越受到重视，特别是针对飞行物理观测中标签识别任务的，研究者们正致力于提高模型的稳健性并针对异常数据提出对抗性训练策略以提高模型的鲁棒性。

    Mar, 2023

  • 稳健的心电图分类的去相关网络架构

    通过特征装饰、傅里叶分区和集成技术来提高电生理图分类精度和不确定度的估计，提高了人工智能模型的鲁棒性和可靠性。

    Jul, 2022

  • 使用对抗神经网络的机器学习不确定性

    本文探讨利用对抗生成网络对高能物理数据进行分类和参数拟合的方法，通过包括之前已知的系统和理论误差，使其具有更高的可靠性和准确性。

    Jul, 2018

  • 通过学习解耦因果子结构来消除图神经网络的偏见

    本文研究了图神经网络的偏差问题及其对泛化性能的影响，并提出了一种能够将因果关系和偏差变量进行分离的图神经网络框架，其中利用参数化边缘生成器将输入图形分为因果图和偏差子图并分别训练两个 GNN 模块，实现了对原模型的改进并取得了超越基线模型的泛化效果。

    Sep, 2022

  • A3T：对抗性增强的对抗性训练

    本文介绍了一种通过强制表示不变性来提高深度神经网络对抗攻击鲁棒性的方法，并比较其与其他标准对抗训练方法的可行性。

    Jan, 2018

  • 基于贝叶斯神经网络的具备不确定性感知的合成孔径雷达目标识别：抵御对抗攻击

    提出了一种基于贝叶斯神经网络的新颖不确定性感知合成孔径雷达自动目标识别系统，可以检测到对 RAS 图像进行的敌对攻击，并生成可视化解释，帮助人类决策者判断敌对攻击证据。实验证明该方法能够识别超过 80% 的敌对 RAS 图像，误报率低于 20%，并且可视化解释能够识别超过 90% 的敌对散射体。

    Mar, 2024

  • 衡量因果解缠对神经网络模型对抗鲁棒性的影响

    量化研究表明，因果神经网络模型通过解耦因果和混淆信号，在对抗性攻击、少样本学习和罕见上下文分类等任务中表现出高的鲁棒性，但尚未进行定量研究以衡量这类因果模型所实现的解耦程度及其与对抗性鲁棒性的关系。本论文使用计算机视觉领域的内容 / 风格解耦计量指标来测量四种最先进的因果神经网络模型的不同因果解耦方面，发现模型解耦因果信号和混淆信号的程度与对抗鲁棒性之间存在显著相关性（r=0.820，p=0.001），同时发现混淆信号在像素级别的信息内容与对抗鲁棒性呈负相关（r=-0.597，p=0.040）。

    Aug, 2023

  • 我敢打赌你错了：用对抗网络进行结构化语义分割

    本文提出在语义分割中重新思考对抗训练，用正确性 / 错误性训练目标替代了预测结果的真 / 假鉴别模型，使用 ' 赌徒 ' 神经网络去发现和分配错误预测的区域，以重现表达不确定性和提高像素级和结构级测量指标。

    Aug, 2019

  • 使用去相关反向传播的高效深度学习

    使用去相关反向传播算法可以显著提高大规模深度神经网络的训练效率，并且可以获得更高的测试准确率。

    May, 2024

  • 针对对抗扰动的准确安全检测器

    本文提出了一种基于空间频率判别分解的密钥安全对抗样本检测方法，相比现有算法更能准确识别和防御深度模型的对抗攻击，并防止防御感知攻击。

    May, 2023