检索范围:
排序: 展示方式:
深度学习中的对抗性攻击和防御 Feature Article
任奎, Tianhang Zheng, 秦湛, Xue Liu
《工程(英文)》 2020年 第6卷 第3期 页码 346-360 doi: 10.1016/j.eng.2019.12.012
在深度学习(deep learning, DL)算法驱动的数据计算时代,确保算法的安全性和鲁棒性至关重要。最近,研究者发现深度学习算法无法有效地处理对抗样本。这些伪造的样本对人类的判断没有太大影响,但会使深度学习模型输出意想不到的结果。最近,在物理世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此有关对抗性攻击和防御技术的研究引起了机器学习和安全领域研究者越来越多的关注。本文将介绍深度学习对抗攻击技术的理论基础、算法和应用。然后,讨论了防御方法中的一些代表性研究成果。
深度学习中的视觉可解释性 Review
Quan-shi ZHANG, Song-chun ZHU
《信息与电子工程前沿(英文)》 2018年 第19卷 第1期 页码 27-39 doi: 10.1631/FITEE.1700808
关键词: 人工智能;深度学习;可解释性模型
基于内嵌物理信息深度学习模型的增材制造工艺参数及熔池尺寸预测 Article
赵明志, 韦辉亮, 茅仪铭, 张长东, 刘婷婷, 廖文和
《工程(英文)》 2023年 第23卷 第4期 页码 181-195 doi: 10.1016/j.eng.2022.09.015
基于RGBD和稀疏学习的鲁棒目标跟踪 Article
Zi-ang MA, Zhi-yu XIANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 989-1001 doi: 10.1631/FITEE.1601338
基于众包标签数据深度学习的命名实体消歧算法 Article
Le-kui ZHOU,Si-liang TANG,Jun XIAO,Fei WU,Yue-ting ZHUANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第1期 页码 97-106 doi: 10.1631/FITEE.1601835
关键词: 命名实体消歧;众包计算;深度学习
基于图像的深度学习降雨强度估计方法 Article
尹航, 郑飞飞, 段焕丰, Dragan Savic, Zoran Kapelan
《工程(英文)》 2023年 第21卷 第2期 页码 162-174 doi: 10.1016/j.eng.2021.11.021
关键词: 城市洪水 降雨图像 深度学习模型 卷积神经网络(CNN) 降雨强度
深度学习的几何学解释 Article
雷娜, 安东生, 郭洋, 苏科华, 刘世霞, 罗钟铉, 丘成桐, 顾险峰
《工程(英文)》 2020年 第6卷 第3期 页码 361-374 doi: 10.1016/j.eng.2019.09.010
本文从几何角度来理解深度学习,特别是提出了生成对抗网络(GAN)的最优传输(OT)观点。自然数据集具有内在的模式,该模式可被概括为流形分布原理,即同一类高维数据分布于低维流形附近。GAN主要完成流形学习和概率分布变换两项任务。其中,后者可以用经典的OT方法来实现。在此基础上,我们提出了一种新的生成模型,该模型利用自编码器(AE)进行流形学习,并利用OT映射进行概率分布变换。这个AE-OT模型提升了深度学习理论的严谨性和透明性、提高了计算的稳定性和效率,尤其是避免了模式崩溃问题。实验结果验证了我们的假设,并充分展示了我们提出的AE-OT模型的优点。
关键词: 生成,对抗,深度学习,最优传输,模式崩溃
深度学习驱动的智能电网调度:综述 Review Article
黄刚1,吴飞2,郭创新3
《信息与电子工程前沿(英文)》 2022年 第23卷 第5期 页码 763-776 doi: 10.1631/FITEE.2000719
关键词: 人工智能;深度学习;电力调度;智能电网
基于深度序列特征学习的临床感染性角膜炎图像分类 Article
许叶圣, 孔鸣, 谢文加, 段润平, 方钲清, 林宇萧, 朱强, 汤斯亮, 吴飞, 姚玉峰
《工程(英文)》 2021年 第7卷 第7期 页码 1002-1010 doi: 10.1016/j.eng.2020.04.012
基于频域深度学习的混凝土桥面裂缝实时检测 Article
Qianyun Zhang,Kaveh Barri,Saeed K. Babanajad,Amir H. Alavi
《工程(英文)》 2021年 第7卷 第12期 页码 1786-1796 doi: 10.1016/j.eng.2020.07.026
杨晨,马瑞成,王雨石,翟岩龙,祝烈煌
《中国工程科学》 2021年 第23卷 第2期 页码 95-103 doi: 10.15302/J-SSCAE-2021.02.013
工业互联网安全是制造强国和网络强国建设的基石,深度学习因其具有表达能力强、适应性好、可移植性高等优点而可支持“智能自主式”工业互联网安全体系与方法构建,因此促进深度学习与工业互联网安全的融合创新具有鲜明价值。本文从产业宏观、安全技术、深度学习系统等角度全面分析了发展需求,从设备层、控制层、网络层、应用层、数据层的角度剖析了深度学习应用于工业互联网安全的发展现状;阐述了工业互联网深度学习应用在模型训练、模型预测方面的安全挑战,前瞻研判了未来研究的重点方向,如深度神经网络可解释性、样本收集和计算成本、样本集不均衡、模型结果可靠性、可用性与安全性平衡等。
人在回路的深度强化学习算法及其在自动驾驶智能决策中的应用 Article
吴京达, 黄志宇, 胡中旭, 吕辰
《工程(英文)》 2023年 第21卷 第2期 页码 75-91 doi: 10.1016/j.eng.2022.05.017
由于机器学习智能和能力有限,它目前仍无法处理各种情况,因此不能在现实应用中完全取代人类。因为人类在复杂场景中表现出稳健性和适应性,所以将人类引入人工智能(AI)的训练回路并利用人类智能进一步提升机器学习算法变得至关重要。本研究开发了一种基于实时人类指导(Hug)的深度强化学习
(DRL)方法,用于端到端自动驾驶案例中的策略训练。本研究通过40 名受试者的人在回路实验对开发的方法进行了验证,并与其他最先进的学习方法进行了比较。
机器学习视角下的城市建模计算机图形方法综述 Review Article
冯天1,范非易2,Tomasz BEDNARZ3,4
《信息与电子工程前沿(英文)》 2021年 第22卷 第7期 页码 915-925 doi: 10.1631/FITEE.2000141
标题 作者 时间 类型 操作