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
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
使用 Transformer 神经网络和自监督预训练技术进行结构健康监测,超过传统方法在异常检测和交通负荷估计等任务上的性能,并通过模型大小和精确度的权衡实现在边缘节点嵌入较小的 Transformers。
Apr, 2024
该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法,通过融合卷积和循环结构,以及关注机制的重要集成,该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应,取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具,还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路,并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。
Aug, 2023
本文介绍了一种新的检测方法,该方法使用计算深度神经网络分类器的内部层的 Shapley 加性解释(SHAP)值来区分正常和对抗输入。通过针对流行的 CIFAR-10 和 MNIST 数据集构建数据集,训练基于神经网络的检测器去区分正常和对抗性输入,并评估了该方法在对抗攻击生成的对抗性数据上的检测能力。结果表明,该检测器具有高的检测准确性和对使用不同攻击方法生成的对抗性输入的强大泛化能力。
Sep, 2019
本文提出使用两层机器学习模型的部署来防止对抗性攻击,第一层确定数据是否被篡改,第二层解决特定领域的问题。我们尝试了三组特征和三个数据集变化来训练机器学习模型,结果表明聚类算法取得了有前途的结果,特别是使用 DBSCAN 算法和结构相似性指数测量计算的图像和白色参考图像之间的结果最佳。
Sep, 2022
本文评估用于对抗敌对攻击的压缩式防御框架 SHIELD 的效力,并在原有工作的基础上考虑了替代威胁模型,提出了具有不同危险程度的情况,并通过实验结果得出了在白盒和灰盒情景下训练模型的相关性与承受目标攻击成功率的相关性,证明了从零开始训练模型的更强鲁棒性。
Feb, 2019
研究纵观 Adversarial Machine Learning 防御策略的不足,通过建立 HoneyModels 模型,给模型添加特定知识水印来检测对抗性攻击,实验表明该模型可以检测到 69.5% 的攻击,并保留原模型的功能。
Feb, 2022
本文研究卷积神经网络中的对抗攻击,提出了一种称为累积动量哈密顿蒙特卡罗(HMCAM)的有效方法来生成多样化的对抗样本,并设计了一种名为对比对抗训练(CAT)的新的生成方法来平衡效率和精确度。通过对多个自然图像数据集和实际系统的定量和定性分析,证明了所提出算法的优越性。
Oct, 2020
这项研究引入了一种创新的卷积神经网络算法来检测结构损伤,通过从时间序列数据中提取深度空间特征,并利用长期时间连接教授卷积神经网络识别时空特征,结合两类时间序列数据(完好和损坏)的方法验证了其有效性,并证明该新的卷积神经网络算法在检测结构退化方面非常准确。
Nov, 2023