使用异常特征向量检测、分类和警告离群对抗样本

ICMLJul, 2021

使用异常特征向量检测、分类和警告离群对抗样本

Using Anomaly Feature Vectors for Detecting, Classifying and Warning of Outlier Adversarial Examples

Nelson Manohar-Alers, Ryan Feng, Sahib Singh, Jiguo Song, Atul Prakash

TL;DRDeClaW 是一个可以检测、分类和警告分类神经网络中对抗性输入的系统，它可以从潜在特征中提取异常特征向量，以准确识别对抗攻击类型（例如 PGD、Carlini-Wagner 或清洁），初步发现表明该方法可以在 CIFAR-10 数据集上实现近 93% 的准确性。这些结果不仅可以用于探索对抗性攻击检测，还可以用于攻击类型分类和攻击特定的缓解策略设计。

Abstract

We present declaw, a system for detecting, classifying, and warning of adversarial inputs presented to a classification neural network. In

declaw adversarial inputs neural network anomaly feature vectors adversarial attack

发现论文，激发创造

用残差 Beylkin-Coifman-Rokhlin 神经网络解决显微镜去卷积的逆问题

利用物理约束，我们的模型在专业领域的神经网络候选者中显著减少了冗余参数，并取得了高效率和优越性能。

Jul, 2024

对抗性放大技术通过超分辨率欺骗深度伪造检测

通过实验，我们展示了超分辨率技术在深度伪造检测中的应用作为一种潜在的对抗攻击方法，通过对图像视觉外观的微小改变能对深度伪造检测系统的性能产生深远的影响。我们提出了一种新颖的攻击方法，使用超分辨率作为一种快速、黑盒和有效的方法，来伪装假图像和 / 或在原始图像上生成虚假的警报。我们的结果表明，超分辨率的使用可以显著损害深度伪造检测器的准确性，从而突显这种系统对对抗性攻击的脆弱性。我们的实验代码可在此链接中获取：this https URL

Jul, 2024

基于毫米波雷达的坐姿上半身姿态估计

本研究针对工业国家的成年人在工作、开车和日常生活中长时间久坐的情况，通过使用毫米波雷达来表征坐姿上半身人体姿态，提出了一个名为 SUPER 的框架，并利用近距离的双毫米波雷达对其进行估计。通过提出的新型掩蔽算法，将雷达数据相干地融合，生成具有互补信息的强度和多普勒点云，用于处理高运动但雷达截面积小的区域（例如上肢）和低运动但雷达截面积大的区域（例如躯干）。通过轻量级神经网络提取上半身的全局和局部特征，并输出 Skinned Multi-Person Linear (SMPL) 模型的姿势参数。在来自多个被试的不同运动序列上进行了大量的留一主题实验，结果表明 SUPER 比最先进的基线方法提高了 30-184%。我们还演示了它在一个简单的下游任务中对手物交互的实用性。

Jul, 2024

基于化学位移编码的深度图像先验下甘油三酯双键定量

本研究使用深度学习方法 Deep Image Prior（DIP）对化学位移编码多回波梯度回波图像进行三酰甘油双键的定量分析，无需网络训练。我们采用基于信号约束的成本函数，在单个数据集上迭代更新神经网络。通过幻像实验和活体扫描对该方法进行验证。结果显示测量值与参考双键值之间存在密切的对应关系，幻像实验的皮尔逊相关系数为 0.96（p = .0005）。活体结果在皮下脂肪中表现出良好的一致性。我们得出结论，Deep Image Prior 显示出了从化学位移编码多回波 MRI 中定量化双键和脂肪酸含量的可行性。

Jul, 2024

从未来的视角看问题：多阶迭代增强对抗攻击的可迁移性

提出一种名为 LFF 的序列优化概念，通过改进原始优化过程达到增强敌对转移性的目的，并应用于敌对攻击任务，进一步提出具有更好泛化能力的 LFF 攻击和 MLFF 攻击，以及将 LFF 攻击扩展为多阶攻击的 LLF^N 攻击，验证实验结果表明，所提出的方法极大地提升了攻击的转移能力。

Jul, 2024

暗影中的曙光：利用成员推断进行机器去学习

通过创造一种新的损失函数，将目标分类损失和成员推断损失相结合，用于从神经网络中删除敏感信息的机器遗忘机制，本研究通过成员推断机制作为概念验证，提供了实验证据，证明了我们的遗忘方法在遗忘效果、延迟和主要任务准确性方面的优越性。

Jul, 2024

RoboPack: 学习基于触觉信息的密集装箱动力学模型

利用视触知觉感知和深度学习的方法来进行机器人操作，其中结合了视触反馈，通过学习神经网络模型进行物体状态估计和未来状态预测。通过使用真实世界的数据进行训练，该模型可以在在线适应中进行触觉信息驱动的预测，具有较强的有效性。

Jul, 2024

探索 MX 及其进一步的 FPGA 设计

针对低精度计算的 Open Compute Project MX 标准，本文描述并评估了首个开源 FPGA 实现的算术计算。我们的设计完全支持标准中定义的具体格式以及标准规定的算术运算，同时还支持任意固定点和浮点格式。通过实现例子神经网络如 ResNet-18，我们展示了 MX 对于 INT5 或 FP6 等格式的非原生支持在 FPGA 上具有非常好的效果，这使得 FPGA 在灵活性和占用更小面积方面占据优势。

Jul, 2024

神经网络方法的快速迭代求解器：II. 1D 扩散 - 反应问题与数据拟合

该研究论文介绍了一种扩展的阻尼块牛顿法，用于解决神经网络中包含质量矩阵的线性方程组，以及求解非线性参数的方法，该方法在计算代价上具有较高效性，并且优于 BFGS 算法。

Jul, 2024

使用物理内嵌数据驱动方法预测航空发动机性能

通过结合飞机引擎领域和神经网络领域的领域知识，我们提出了一种策略，能够实时预测引擎性能参数，并且在预测准确性、计算效率、建模复杂性和数据依赖性之间取得理想平衡。我们通过精心设计网络结构、调节内部信息流，并采用四种不同的特征融合方法和创新的损失函数公式来实现这一目标。通过对两个不同数据集的全面验证，实验证明了我们的策略的有效性和健壮性，并且相较于传统的黑盒机器学习方法，我们的模型具有更好的解释性。

Jun, 2024