利用 AI/ML 从被动网络观测中获取情境理解
通过整合人工智能 / 机器学习(AI / ML)和数字孪生(DT)技术,工业 4.0 见证了复杂机器人的崛起。本文调查了针对 AI 和 DT 模型启用机器人的隐私攻击。讨论了 ML 模型的渗透和数据泄露,以及从一阶模型(如基于物理的模型)中提取模型的潜在能力。我们还讨论了 DT 集成机器人的设计考虑,涉及 ML 模型训练、负责任的 AI 和 DT 保障、数据治理和道德考虑对这些攻击的有效性的影响。我们主张一个可信的自治途径,强调将机器人、人工智能和数字孪生技术与强大的道德框架和可靠性原则相结合,以实现安全可靠的 AI 机器人系统。
Jun, 2024
证明扩散模型在网络入侵检测中净化对抗样本方面的有效性,通过对扩散参数的全面分析,识别最佳配置以最大限度地提高对抗鲁棒性而对正常性能的影响最小。重要的是,该研究揭示了扩散噪声和扩散步骤之间的关系,对该领域具有重要贡献。实验在两个数据集上进行,并针对 5 种对抗攻击进行了测试。实现代码公开可用。
Jun, 2024
利用机器学习技术帮助系统性综述过程,开发一系列工具以分析与 “基于结果的合同” 主题相关的 1,952 篇出版物,结果显示机器学习技术在提高证据可达性和分析方面具有实用性,但需谨慎应用,克服其潜在的错误和偏差。
Jun, 2024
User Story Tutor (UST) 是一个检查用户故事描述可读性、提供改进建议、使用机器学习技术估计用户故事工作量的 Web 应用程序,可用于敏捷开发团队继续教育和增强当前用户故事创建的有效技术。
Jun, 2024
通过机器学习技术优化 2D 和 3D 复合结构,研究断裂韧性和裂纹扩展在双悬臂梁(DCB)试验中的应用,揭示微观结构排列与复合材料宏观性能之间的复杂关系,证明了机器学习作为强大工具在设计优化过程中的潜力,相较于传统有限元分析具有明显优势。研究包含四个不同案例,分别检查 2D 和 3D 复合模型中的裂纹扩展和断裂韧性。通过应用机器学习算法,研究展示了在复合材料设计中对庞大设计空间进行快速准确探索的能力。研究结果强调了机器学习在有限训练数据下预测机械行为的效率,为复合材料设计和优化的广泛应用铺平了道路。该研究对提高复合材料设计过程中机器学习的效率做出了贡献。
Jun, 2024
通过强化学习算法从市场反馈中动态适应迁移和协方差偏移,从而提高金融市场预测精确性,并且在现有基准任务和最近提出的任务中表现优于其他模型。
Jun, 2024
音乐信息检索领域的自动音乐转录(AMT)是一项核心挑战,旨在将音频信号转换为音乐符号表示,本文扼要回顾了 AMT 在音乐信号分析中的关键作用,强调了由于音乐和谐的复杂和相互叠加的频谱结构而对 AMT 的重要性,通过对 AMT 中现有的机器学习技术的彻底研究,我们探讨了当前模型和方法的进展和限制。尽管有可观的进展,AMT 系统尚未达到人类专家的准确度,这在很大程度上是由于音乐和谐的复杂性和对细致解释的需求。本综述批判性评估了全自动和半自动的 AMT 系统,强调了最小用户干预的重要性,并研究了迄今为止提出的各种方法。通过解决先前技术的限制并提出改进的途径,我们的目标是引导未来的研究朝着能够准确且高效地将复杂的音频信号转化为精确的符号表示的全自动 AMT 系统。本研究不仅综合了最新的进展,而且为克服 AMT 中的现有挑战提供了一个路线图,为研究人员提供了有价值的洞察,旨在缩小当前系统和人类级转录准确性之间的差距。
Jun, 2024
此研究通过对最近在交通事故分析和预测中应用机器学习技术的全面回顾,解决了道路安全领域中对先进预测方法的需求。通过分析 191 项研究,重点关注预测事故风险、频率、严重程度、持续时间以及事故数据的统计分析,该研究展示了整合多样化数据源和先进机器学习技术以提高预测准确性并处理交通数据复杂性的有效性。该综述是首次提供如此全面的回顾,概述了与事故分析和预测相关的广泛领域最新研究现状。通过绘制当前研究格局并鉴别文献中的不足,该研究旨在引导未来研究,实现到 2030 年显著减少与交通相关的死亡和伤害目标,与世界卫生组织(WHO)的目标相一致。
Jun, 2024