- 通过无人机图像绘制加勒比地区住房库存特征以提升气候适应能力
通过使用高分辨率无人机图像和深度学习技术,本研究提出了一种快速生成关键基线住房库存数据的工作流程,以促进减少气候极端灾害对加勒比地区等高风险地区的不利影响的气候适应举措。
- 关于大规模多模态模型对抗图像攻击的鲁棒性
通过对不同攻击方式的全面研究,本文发现大型多模态模型对于视觉对抗性输入并不具备鲁棒性,但给模型提供上下文(例如问答中的问题)可以降低视觉对抗性输入的影响。该研究还提出了一种新的真实世界图像分类方法,称为查询分解,通过将存在性查询融入输入提示 - EMNLP非自然错误纠正:GPT-4 几乎能够完美处理非自然混乱文本
在这项研究中,我们提出了新颖的实验见解,揭示了大型语言模型(LLMs)的韧性,特别是 GPT-4,在经历大规模字符级排列混乱时。我们设计了 Scrambled Bench 套件来评估 LLMs 处理乱序输入的能力,包括恢复乱序句子和回答给定 - 基于 Transformer 的光学字符识别对抗攻击的脆弱性分析
基于 Transformer 的 OCR 模型的韧性评估表明,非定向攻击对其高度脆弱,而定向攻击相对较弱;在基准手写数据集上,非定向攻击几乎无法察觉,造成字符错误率超过 1;而具有类似扰动大小的定向攻击可以以大约 25%的成功率攻击单个标记 - CALLOC:用于安全和稳健室内定位的课程对抗学习
CALLOC 是一种新颖的框架,旨在抵抗对室内定位系统的对抗攻击和环境及设备变化所带来的误差,并通过自适应课程学习方法和轻量级的 scaled-dot product attention 神经网络在资源受限的移动设备上实现抗对抗攻击和变化的 - 网络物理系统的绿色弹性
提出一种基于博弈论的解决方案,通过在协作人工智能系统中使用机器人与人类来实现系统的可恢复性,并以最小化 CO2 足迹的方式发挥协作人工智能系统预期结果的作用。
- G 弹性:在协作 AI 系统的绿色性和弹性之间进行权衡
一个协作人工智能系统(CAIS)与人类在共享环境中合作达成共同目标。为了从降低性能并确保其弹性的干扰事件中恢复过来,CAIS 可能需要由系统、人类或者协作一起执行一组操作。本文提出了一种自动评估 CAIS 恢复行动在系统的弹性和绿色性之间权 - FLEE-GNN:一种用于分析多种商品食品流动的地理韧性的边缘增强图神经网络的联邦学习系统
提出了一种名为 FLEE-GNN 的新型联邦学习系统,用于增强地理空间多商品食品流网络的韧性分析,结合了图神经网络的稳健性和适应性以及联邦学习的数据隐私保护和分散性,旨在克服当前方法的限制,并有望在其他空间网络中应用。
- MIR2: 通过相互信息正则化迈向可证实鲁棒性的多智能体强化学习
提出一种名为 MIR2 的方法,通过在常规情景训练策略并最小化互信息作为鲁棒正则化来提高多智能体强化学习的鲁棒性,实验证明 MIR2 在各种情况下都能比现有的 max-min 优化方法展现出更大的对抗性。
- 探索 P2P 通信中断对灾难情景下完全去中心化学习的影响
通过在灾害场景中研究对对等通信的各种中断对去中心化学习的影响,我们发现无连接性的丢失对学习过程的准确性的影响要大于数据的丢失,但是网络仍然相对鲁棒,学习过程可以达到较高的准确性。
- 深度学习应用的弹性:分析和强化技术的系统调查
机器学习(ML)是一种有效的人工智能(AI)技术,正在广泛应用于多个领域,作者通过对 163 篇科学文章的综述研究,系统地调查了深度学习(ML 技术之一)对硬件错误的弹性,明确阐述了这一文献流的优势和不足,并提出了未来的研究方向。
- RePo: 通过正则化后验可预测性提高强化学习模型的弹性
这篇论文提出了一种视觉模型驱动的强化学习方法,它学习到了一个对噪声和干扰具有弹性的潜在表示,通过鼓励表示能够最大程度地预测动态和奖励,并在观察和潜在表示之间限制信息流。此方法对于视觉干扰具有显著的抵抗力,在动态环境中能够有效运行。此外,作者 - 量化基于节点的核心韧性
该论文介绍了一种新的衡量图中节点核心韧性的方法,并提供了一种有效的启发式算法来计算该指标,以便在拓扑结构发生变化(如边的插入和删除)时快速评估节点的韧性和预测其可能的未来邻居。
- 从噪声数据计算矩阵剖面
通过实验测量了从原始时间序列生成的 matrix profile 与加入不同噪声参数设置后的数据生成的 matrix profile 之间的相似性,结果显示 matrix profile 生成在少量噪声存在的情况下仍然具有弹性,但是随着噪声 - 有向图神经网络是否具有对抗性鲁棒性?
本研究首次探讨有向图在提供网络固有结构丰富信息方面的重要性,为了增强 GNN 的鲁棒性和弹性,我们提出一种全新的信息传递框架作为插件层,并结合现有的防御策略,取得了优异的干净精确度和最先进的鲁棒性能,具有超强的防御转移和自适应攻击的作用。
- 利用可解释性设计对抗攻击并评估仇恨言论检测模型的攻击韧性
本研究综合并比较了各种仇恨言论检测模型的鲁棒性,并使用可解释性技术评估了这些模型对抗性攻击的鲁棒性,从而发现了一些潜在的漏洞和强项,并为创建更加鲁棒和可靠的检测系统打下了基础。
- 供应链弹性的知识图谱视角
为了提升供应链透明度与韧性,本研究采用知识图谱连接多种数据源,以达到三级供应商的透明度。通过知识图谱完善方法,预测供应网络中的空缺信息,同时应用图分析算法,识别关键实体,支持供应链管理自动化风险识别。
- 系统神经多样性:多智能体学习中的行为多样性测量
本论文研究了多智能体系统的行为异质性问题,提出了一种名为 System Neural Diversity(SND)的度量方法,通过对多智能体系统的模拟实验,证明了 SND 在评估系统韧性和稳健性方面的重要性。
- 使用灵活且可扩展的软件定义无线电进行深度学习的非接触式人类活动识别
本研究基于 Wi-Fi CSI 研究人体活动识别,提出一种使用深度学习方法的系统,并比较了卷积神经网络、长短期记忆网络和混合模型的效果,结果表明 LSTM 的平均准确率达到 95.3%,相比 CNN 和混合技术更加有效,未来需要在不同的复杂 - ISimDL:用于深度学习鲁棒性评估的重要性采样驱动故障注入模拟加速
本文提出 ISimDL 这一新的方法,通过神经元灵敏度生成重要性抽样型的错误场景,以提高对深度学习系统鲁棒性的分析效率,并基于此提出一种名为 Fault Aware Training(FAT)的新方法,该方法可减少 12 倍以上的精度降低开