Jan, 2023

RobustPdM：针对对抗攻击设计鲁棒的预测性维护

PDF
TL;DR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。
发现论文，激发创造
  • 基于深度学习预测的对抗样本制作（扩展版）

    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。

    Sep, 2020

  • 适应性扰动模式：用于强健入侵检测的逼真对抗学习

    该论文介绍了一种基于自适应扰动模式的方法，用于在灰盒情况下生成具有真实性的对抗样本，通过对企业和物联网网络进行案例研究，证明了该方法提供了可扩展的对抗样本生成技术，并在对抗训练和攻击中具有优势。

    Mar, 2022

  • 预防性维护调查：系统、目的和方法

    本文通过系统架构、目标和方法等方面，全面综述了预测性维护（PdM），并从知识、传统机器学习（ML）和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法，提出了重要的未来研究方向和目标。

    Dec, 2019

  • 深度学习在多变量时间序列回归中的对抗性样本

    探索 DL 在多元时间序列回归中的脆弱性，发现在安全关键和成本关键应用中，所有评估的 DL 回归模型都容易遭受对抗攻击。

    Sep, 2020

  • 通过对抗性训练提高机器学习的稳健性

    研究了机器学习的鲁棒性，使用集中式和分散式环境进行对抗训练，结果显示比现有研究提高了 18.41% 和 47% 的准确性，并提出了独立同分布和非独立同分布数据的 IID 数据共享方法，可提高自然准确性和鲁棒准确性。

    Sep, 2023

  • 通过敌对攻击评估深度图像去噪模型的相似性和鲁棒性

    本文研究表明通过对深度图像去噪模型的分析，研究者发现神经网络在面对对抗性攻击时具有脆弱性，但加入对抗性训练后可以提高鲁棒性。

    Jun, 2023

  • GradMDM: 动态网络的对抗性攻击

    本研究旨在探讨动态神经网络对能源导向攻击的鲁棒性，特别是采用我们的新算法 GradMDM 攻击动态模型，结果显示 GradMDM 可显著提高计算复杂性同时减少扰动的可感知性。

    Apr, 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

  • 针对网络入侵检测系统的逼真对抗攻击建模

    通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

    Jun, 2021

  • 基于 Transformer 架构的旋转机械故障诊断深度神经网络 T4PdM

    本篇论文利用 Transformer 神经网络提出了一个 T4PdM 故障自动分类器模型，以提高机械故障分析和诊断过程的性能，并比较了该模型与其他之前发表作品的表现，结果表明此模型在检测和分类旋转式工业机械故障方面具有优越性。

    Apr, 2022