期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种约束制导的机器学习框架漏洞检测方法
被引量：
2
1
作者
刘昭
邹权臣
+4 位作者
于恬
王旋
张德岳
孟国柱
陈恺
《计算机学报》
EI
CAS
CSCD
北大核心
2024年第5期1120-1137,共18页
随着机器学习在社会各领域中自主决策场景的广泛应用,人们对机器学习框架中潜在漏洞的担忧也在日益增加.然而,由于其复杂的实现,针对框架的系统化、自动化测试成为一项艰巨的任务.现有对机器学习框架测试的研究在生成有效测试数据方面...
随着机器学习在社会各领域中自主决策场景的广泛应用,人们对机器学习框架中潜在漏洞的担忧也在日益增加.然而,由于其复杂的实现,针对框架的系统化、自动化测试成为一项艰巨的任务.现有对机器学习框架测试的研究在生成有效测试数据方面尚不成熟,导致测试数据无法通过合法性校验并因此无法检测到目标漏洞.本文提出了ConFL,一种基于约束的机器学习框架模糊测试工具.ConFL能够自动从框架源代码中提取约束而无需任何先验知识.在约束的指导下,ConFL可以生成能够通过校验的有效输入,并执行到框架更深层次的代码逻辑.此外,本文设计了一种算子分组调度技术来提高模糊测试的效率.为了证明ConFL的有效性,本文主要在Tensor-Flow框架上评估了其性能.测试发现,与现有的SOTA工具相比,ConFL能够覆盖更多的代码行,并生成更多有效的测试数据;在相同版本的TensorFlow框架上,ConFL能检测出更多的已知漏洞.此外,ConFL在不同版本的TensorFlow中发现了84个未知漏洞,这些漏洞全部被官方修复并被分配了CVE编号,其中包括3个严重漏洞,13个高危漏洞.最后,本文还在PyTorch和PaddlePaddle中进行了通用性测试,迄今为止发现了7个漏洞.
展开更多
关键词
机器学习框架
约束提取
算子测试
模糊测试
漏洞检测
在线阅读
下载PDF
职称材料
基于可解释机器学习框架的公交驾驶人风险驾驶行为影响因素
2
作者
焦钰钧
王雪松
《同济大学学报(自然科学版)》
2025年第9期1403-1414,共12页
为改善公交驾驶人风险驾驶行为,从驾驶人人口学特征、生理和心理健康以及企业安全教育层面分析风险驾驶行为影响因素。设计公交驾驶人行为与心理调查问卷,共获取10201份有效样本;对比4类机器学习模型,并基于可解释机器学习框架解释内部...
为改善公交驾驶人风险驾驶行为,从驾驶人人口学特征、生理和心理健康以及企业安全教育层面分析风险驾驶行为影响因素。设计公交驾驶人行为与心理调查问卷,共获取10201份有效样本;对比4类机器学习模型,并基于可解释机器学习框架解释内部影响机制。结果表明,CatBoost模型识别的平均绝对误差(MAE)和均方根误差(RMSE)为0.1906和0.2671,综合性能最好;心理健康的特征重要度最高,公交驾驶人的驾驶愤怒、焦虑和工作倦怠问题越严重,越容易发生风险驾驶行为;失眠和抑郁与风险驾驶行为呈非线性关系,中度及以下失眠、抑郁与风险驾驶行为呈正相关关系,而重度失眠、抑郁与风险驾驶行为呈负相关关系;虽然企业安全教育的特征重要度较小,但是定期参加各类安全教育的公交驾驶人发生风险驾驶行为的可能性更低。
展开更多
关键词
交通工程
风险驾驶行为
可解释
机器学习框架
公交驾驶人
心理健康
企业安全教育
在线阅读
下载PDF
职称材料
基于XGBoost和SHAP的海滩波浪爬高预测研究
被引量：
1
3
作者
张建
丁佩
+1 位作者
刘楷操
路川藤
《海洋预报》
北大核心
2025年第2期1-8,共8页
海滩波浪爬高预测是海岸侵蚀防护和防灾减灾的关键技术支撑。针对现有经验公式在精确度、泛化性等方面的不足,将极限梯度提升模型XGBoost引入到波浪爬高预测中,利用1400多个来自实验室和现场观测的海滩波浪爬高数据,通过贝叶斯优化进行...
海滩波浪爬高预测是海岸侵蚀防护和防灾减灾的关键技术支撑。针对现有经验公式在精确度、泛化性等方面的不足,将极限梯度提升模型XGBoost引入到波浪爬高预测中,利用1400多个来自实验室和现场观测的海滩波浪爬高数据,通过贝叶斯优化进行超参数调整,建立基于XGBoost的海滩波浪爬高预测模型。此外,还将可解释机器学习框架SHAP与XGBoost模型结合,以挖掘波浪爬高预测结果的关键特征。评估结果表明:XGBoost模型的决定系数为0.957,均方根误差为0.384 m,显著优于其他经验公式,整体预测可靠稳定;SHAP分析也表明XGBoost模型的预测趋势符合真实走向,且Iribarren数在海滩波浪爬高预测中起着关键作用。
展开更多
关键词
机器
学习
波浪爬高
极限梯度提升模型
贝叶斯优化
可解释
机器学习框架
在线阅读
下载PDF
职称材料
题名
一种约束制导的机器学习框架漏洞检测方法
被引量：
2
1
作者
刘昭
邹权臣
于恬
王旋
张德岳
孟国柱
陈恺
机构
北京奇虎科技有限公司AI安全实验室
中国科学院信息工程研究所
出处
《计算机学报》
EI
CAS
CSCD
北大核心
2024年第5期1120-1137,共18页
基金
国家科技创新2030--“新一代人工智能”重大项目(2020AAA0104300)资助.
文摘
随着机器学习在社会各领域中自主决策场景的广泛应用,人们对机器学习框架中潜在漏洞的担忧也在日益增加.然而,由于其复杂的实现,针对框架的系统化、自动化测试成为一项艰巨的任务.现有对机器学习框架测试的研究在生成有效测试数据方面尚不成熟,导致测试数据无法通过合法性校验并因此无法检测到目标漏洞.本文提出了ConFL,一种基于约束的机器学习框架模糊测试工具.ConFL能够自动从框架源代码中提取约束而无需任何先验知识.在约束的指导下,ConFL可以生成能够通过校验的有效输入,并执行到框架更深层次的代码逻辑.此外,本文设计了一种算子分组调度技术来提高模糊测试的效率.为了证明ConFL的有效性,本文主要在Tensor-Flow框架上评估了其性能.测试发现,与现有的SOTA工具相比,ConFL能够覆盖更多的代码行,并生成更多有效的测试数据;在相同版本的TensorFlow框架上,ConFL能检测出更多的已知漏洞.此外,ConFL在不同版本的TensorFlow中发现了84个未知漏洞,这些漏洞全部被官方修复并被分配了CVE编号,其中包括3个严重漏洞,13个高危漏洞.最后,本文还在PyTorch和PaddlePaddle中进行了通用性测试,迄今为止发现了7个漏洞.
关键词
机器学习框架
约束提取
算子测试
模糊测试
漏洞检测
Keywords
machine learning framework
constraints extraction
operator testing
fuzzing
vul-nerability detection
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于可解释机器学习框架的公交驾驶人风险驾驶行为影响因素
2
作者
焦钰钧
王雪松
机构
同济大学交通学院
出处
《同济大学学报(自然科学版)》
2025年第9期1403-1414,共12页
基金
同济大学“医学+X”交叉研究项目(2025-0708-YB-02)。
文摘
为改善公交驾驶人风险驾驶行为,从驾驶人人口学特征、生理和心理健康以及企业安全教育层面分析风险驾驶行为影响因素。设计公交驾驶人行为与心理调查问卷,共获取10201份有效样本;对比4类机器学习模型,并基于可解释机器学习框架解释内部影响机制。结果表明,CatBoost模型识别的平均绝对误差(MAE)和均方根误差(RMSE)为0.1906和0.2671,综合性能最好;心理健康的特征重要度最高,公交驾驶人的驾驶愤怒、焦虑和工作倦怠问题越严重,越容易发生风险驾驶行为;失眠和抑郁与风险驾驶行为呈非线性关系,中度及以下失眠、抑郁与风险驾驶行为呈正相关关系,而重度失眠、抑郁与风险驾驶行为呈负相关关系;虽然企业安全教育的特征重要度较小,但是定期参加各类安全教育的公交驾驶人发生风险驾驶行为的可能性更低。
关键词
交通工程
风险驾驶行为
可解释
机器学习框架
公交驾驶人
心理健康
企业安全教育
Keywords
traffic engineering
risky driving behaviors
interpretable machine learning framework
bus drivers
psychological health
company safety education
分类号
U491.2 [交通运输工程]
在线阅读
下载PDF
职称材料
题名
基于XGBoost和SHAP的海滩波浪爬高预测研究
被引量：
1
3
作者
张建
丁佩
刘楷操
路川藤
机构
珠海市规划设计研究院
广东省滨海地区防灾减灾工程技术研究中心
南京水利科学研究院
出处
《海洋预报》
北大核心
2025年第2期1-8,共8页
基金
水利部重大科技项目(SKS-2022087)。
文摘
海滩波浪爬高预测是海岸侵蚀防护和防灾减灾的关键技术支撑。针对现有经验公式在精确度、泛化性等方面的不足,将极限梯度提升模型XGBoost引入到波浪爬高预测中,利用1400多个来自实验室和现场观测的海滩波浪爬高数据,通过贝叶斯优化进行超参数调整,建立基于XGBoost的海滩波浪爬高预测模型。此外,还将可解释机器学习框架SHAP与XGBoost模型结合,以挖掘波浪爬高预测结果的关键特征。评估结果表明:XGBoost模型的决定系数为0.957,均方根误差为0.384 m,显著优于其他经验公式,整体预测可靠稳定;SHAP分析也表明XGBoost模型的预测趋势符合真实走向,且Iribarren数在海滩波浪爬高预测中起着关键作用。
关键词
机器
学习
波浪爬高
极限梯度提升模型
贝叶斯优化
可解释
机器学习框架
Keywords
machine learning
wave run-up
XGBoost
bayesian optimization
SHAP
分类号
P731.33 [天文地球—海洋科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种约束制导的机器学习框架漏洞检测方法
刘昭
邹权臣
于恬
王旋
张德岳
孟国柱
陈恺
《计算机学报》
EI
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于可解释机器学习框架的公交驾驶人风险驾驶行为影响因素
焦钰钧
王雪松
《同济大学学报(自然科学版)》
2025
在线阅读
下载PDF
职称材料
3
基于XGBoost和SHAP的海滩波浪爬高预测研究
张建
丁佩
刘楷操
路川藤
《海洋预报》
北大核心
2025
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
