Nov, 2018

智能手机上的深度学习应用程序初探

PDF
TL;DR本研究通过针对 16,500 款最热门的 Android 应用程序的统计分析揭示了智能手机应用程序如何在自然环境中利用深度学习。研究发现，智能手机深度学习框架和应用程序的使用呈现出一种繁荣的趋势，但是仍需优化手机上运行的深度学习模型，保护这些模型并验证深度学习研究的想法。
发现论文，激发创造
  • AI 基准测试：在 Android 智能手机上运行深度神经网络

    本文研究了 Android 生态系统中深度学习的现状及其在智能手机上的限制，同时概述了四个主要移动芯片平台（Qualcomm、HiSilicon、MediaTek 和 Samsung）上可用的硬件加速资源，并介绍了利用 AI 基准测试收集的不同移动 SoCs 的实际性能结果。

    Oct, 2018

  • 朝着真正的智能应用程序：研究智能手机内置 AI 应用程序中的人工智能交互

    本研究探索手机应用程序中的人工智能功能使用现状，总结了三种主要的交互模式类型，并实施了一个多方面的搜索启用画廊，研究结果表明了我们发现的有用性。

    Jul, 2023

  • 基于人工智能的移动应用程序：一项探索性研究

    本文通过数据集分析、关键问题定位和用户反馈与隐私保护等多方面对 56682 款 AI 应用进行了研究，揭示了其中的不足之处，如模型保护不足，用户隐私数据泄露等，还提供了数据集以供未来研究引用。

    Dec, 2022

  • 移动设备上的深度学习 - 综述

    本文综述了移动设备上深度学习的研究进展，包括算法、硬件架构、感知模态等技术的最新发展，以及对应的工具、应用和挑战。

    Mar, 2019

  • DL-Droid: 基于深度学习的真机 Android 恶意软件检测

    本研究提出 DL-Droid，一种通过状态输入生成实现动态分析的深度学习系统，可成功检测安卓手机应用中的恶意程序。

    Nov, 2019

  • 模型之外：Android 应用中的深度学习模型数据预处理攻击

    本文介绍对真实世界的基于数据处理的深度学习应用攻击。结果表明，81.56％的应用程序可以成功攻击，这凸显了了解并采取保护数据处理方面的安全措施在设备上的深度学习模型的重要性。

    May, 2023

  • 2019 年智能手机上深度学习的 AI 基准测试

    本文评估了高通、海思、三星、联发科和紫光展锐提供的 AI 推理硬件加速的所有芯片组的性能，并比较了它们的结果。同时，我们还讨论了 Android ML 流水线的最近变化，并提供了在移动设备上部署深度学习模型的概述。

    Oct, 2019

  • 移动设备上的深度学习：方法、系统和应用

    本文概述了高效深度学习的方法、系统和应用，包括流行的模型压缩方法、自动化模型设计和用户自定义的基于设备的训练，以及各种针对特定任务和空间 - 时间冗余的加速技术和系统设计。

    Apr, 2022

  • 一种在移动设备上使用深度学习的性能敏感型恶意软件检测系统

    本论文提出了一种基于深度神经网络的定制化的移动端实时 Android 恶意软件检测系统，MobiTive, 包括不同特征提取方法和不同特征类型选择、不同深度神经网络的检测精度、不同移动设备上的实时检测性能和精度以及基于移动设备规格的演化趋势的检测潜力分析

    May, 2020

  • 构建 Android 恶意软件检测的机器学习流水线：实践、挑战和机会的程序化调查

    本文通过 42 篇高引用的文献回顾了过去十年间对针对安卓设备恶意应用检测的机器学习方法的研究，介绍了一个新的程序分类法以及对其评估和解释策略所做的工作，并指出现有知识中的缺陷和未来的研究方向。

    Jun, 2023