ICMLSep, 2020

基于深度学习预测的对抗样本制作（扩展版）

PDF
TL;DR通过对 Prognostics and Health Management (PHM) 系统进行敌对样本攻击测试，本论文发现 IoT 传感器和 DL 算法都容易受到攻击，这可能导致 PHM 系统出现严重缺陷，从而减少设备的使用寿命。
prognosticshealth management (phm)deep learning (dl)iot sensorsadversarial attacks
发现论文，激发创造
  • RobustPdM：针对对抗攻击设计鲁棒的预测性维护

    提出一种端到端的方法，通过分析不同类型的对抗攻击并提出新的对抗性防御技术，设计对抗性强的预测性维修系统，利用 NASA 的 turbofan 引擎数据集进行评估，表明近似对抗性训练可以显著提高预测性维修模型的鲁棒性，同时提供比现有最先进的预测性维修防御方法多出 3 倍的鲁棒性。

    Jan, 2023

  • 生成对抗网络用于故障预测

    这篇论文提出了一种利用生成式对抗网络的故障预测新算法 (GAN-FP)，该算法可以应用于机器学习算法解决的高度不平衡数据的故障预测问题，利用两个 GAN 网络同时生成训练样本并构建一个推理网络，以预测新样本的故障情况。

    Oct, 2019

  • 关于 PHM 中 XAI 的准确性

    本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订，以探索这些方法的有效性，并比较它们之间的性能差异，结果表明 GRAD-CAM 是最强大的方法。

    Mar, 2023

  • 基于深度学习的 Massive MIMO 网络功率分配的对抗性攻击

    本文研究了深度学习在无线通信系统中应用的安全性问题，使用快速梯度符号法、动量迭代快速梯度符号法和方向性梯度下降法攻击了大规模多输入多输出系统中功率分配的神经网络，发现在神经网络输入的微小扰动下能使白盒攻击的收益率达到 86%。

    Jan, 2021

  • 通过对深度预测模型的对抗攻击识别医疗记录中易感的位置

    本文提出了一种基于深度神经网络的电子病历的快速筛查框架，该框架可用于识别易受攻击的医疗记录事件并防止其被改变。

    Feb, 2018

  • 针对医学深度学习系统的对抗攻击

    本文发现对抗样本可以操纵深度学习系统在三个临床领域，建议医疗机构在部署深度学习系统时注意当前的漏洞，同时促进机器学习社区进一步研究医疗学习系统的领域特征。

    Apr, 2018

  • 深度学习在预测维护应用中的潜力、挑战和未来方向

    本文评估了应用深度学习于 Prognostics 和 Health Management（PHM）领域，用于检测、诊断和预测复杂工业资产故障的现状、挑战、潜在解决方案和未来研究需求。

    May, 2020

  • 语义对抗深度学习

    本文研究了机器学习算法，特别是深度神经网络在自动驾驶汽车、金融、医疗保健、自然语言处理和恶意软件检测等领域中的应用。然而，现有的方法主要忽略了包含 ML 组件的整个系统的语义和上下文，并提出了结果，支持总体系统的规格说明在研究中发挥至关重要的作用。

    Apr, 2018

  • 物理注脚的模糊生成对抗网络用于鲁棒性失效预测

    本论文提出了一种基于模糊逻辑和生成对抗网络的混合建模方法 - FuzzyGAN，该方法结合了基于物理的模型和数据驱动模型的优点，并在承载问题上显示出更准确的预后能力。

    Jun, 2022

  • 增强数据驱动的结构健康监测模型的鲁棒性：带有圆形损失的对抗训练

    本文讨论了结构健康监测中的对抗性防御方法，提出了一种基于对抗训练的方法来优化模型的鲁棒性，通过优化训练中特征之间的距离，将样本远离决策边界，从而实现了对模型鲁棒性的显著改进。

    Jun, 2024