-
题名判别多维标度特征学习
- 1
-
-
作者
唐海涛
王红军
李天瑞
-
机构
西南交通大学计算机与人工智能学院
综合交通大数据应用技术国家工程实验室(西南交通大学)
-
出处
《计算机应用》
CSCD
北大核心
2023年第5期1323-1329,共7页
-
基金
国家重点研发计划项目(2020AAA0105101)
国家自然科学基金资助项目(61773324)。
-
文摘
传统多维标度方法学习得到的低维嵌入保持了数据点的拓扑结构,但忽略了低维嵌入数据类别间的判别性。基于此,提出一种基于多维标度法的无监督判别性特征学习方法——判别多维标度模型(DMDS),该模型能在学习低维数据表示的同时发现簇结构,并通过使同簇的低维嵌入更接近,让学习到的数据表示更具有判别性。首先,设计了DMDS对应的目标公式,体现所学习特征在保留拓扑性的同时增强判别性;其次,对目标函数进行了推理和求解,并根据推理过程设计所对应的迭代优化算法;最后,在12个公开的数据集上对聚类平均准确率和平均纯度进行对比实验。实验结果表明,根据Friedman统计量综合评价DMDS在12个数据集上的性能优于原始数据表示和传统多维标度模型的数据表示,它的低维嵌入更具有判别性。
-
关键词
判别性特征学习
多维标度法
降维
模糊聚类
迭代优化算法
-
Keywords
discriminative feature learning
multidimensional scaling
dimensionality reduction
fuzzy clustering
iterative optimization algorithm
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于GAN实现环境声音分类的组合对抗防御
- 2
-
-
作者
张强
杨吉斌
张雄伟
曹铁勇
李毅豪
-
机构
陆军工程大学指挥控制工程学院
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2023年第12期4399-4410,共12页
-
基金
国家自然科学基金(62071484)。
-
文摘
虽然深度神经网络可以有效改善环境声音分类(ESC)性能,但对对抗样本攻击依然具有脆弱性。已有对抗防御方法通常只对特定攻击有效,无法适应白盒、黑盒等不同攻击场景。为提高ESC模型在各种场景下对各种攻击的防御能力,该文提出一种结合对抗检测、对抗训练和判别性特征学习的ESC组合对抗防御方法。该方法使用对抗样本检测器(AED)对输入ESC模型的样本进行检测,基于生成对抗网络(GAN)同时对AED和ESC模型进行对抗训练,其中,AED作为GAN的判别器使用。同时,该方法将判别性损失函数引入ESC模型的对抗训练中,以驱使模型学习到的样本特征类内更加紧凑、类间更加远离,进一步提升模型的对抗鲁棒性。在两个典型ESC数据集,以及白盒、自适应白盒、黑盒攻击设置下,针对多种模型开展了防御对比实验。实验结果表明,该方法基于GAN实现多种防御方法的组合,可以有效提升ESC模型防御对抗样本攻击的能力,对应的ESC准确率比其他方法对应的ESC准确率提升超过10%。同时,实验验证了所提方法的有效性不是由混淆梯度引起的。
-
关键词
环境声音
对抗防御
对抗训练
对抗检测
判别性特征学习
-
Keywords
Environmental sound
Adversarial defense
Adversarial training
Adversarial detection
Discriminative feature learning
-
分类号
TN912
[电子电信—通信与信息系统]
-
