检索结果-维普期刊中文期刊服务平台

面向大规模机构分散存储数据的基于属性的实体对齐算法: 1; 作者曹泽毅昌燕 +5 位作者赖仁鑫张仕斌秦智闫丽丽张雪健狄元灏《计算机应用》北大核心 2025年第10期3195-3202,共8页; 大规模机构分散存储的数据实体存在数据冗余、信息缺失和不一致等问题,需要通过实体对齐进行集成融合。现有的实体对齐方法大多依赖实体的结构信息,通过子图匹配进行对齐,但分散存储数据的结构信息匮乏,导致对齐效果不佳。为解决上述问... 展开更多; 关键词重要数据识别数据融合信息熵实体对齐注意力机制; 在线阅读下载PDF 职称材料

基于跨模态注意力机制和弱监督式对比学习的虚假新闻检测模型: 2; 作者蔡松睿张仕斌 +2 位作者丁润宇卢嘉中黄源源《信息安全研究》北大核心 2025年第8期693-701,共9页; 随着互联网和智能设备的广泛普及,社交媒体已成为新闻传播的主要平台.然而这也为虚假新闻的广泛传播提供了条件.在当前的社交媒体环境中,虚假新闻以文本、图片等多种模态存在,而现有的多模态虚假新闻检测技术通常未能充分挖掘不同模态... 展开更多; 关键词虚假新闻检测多模态融合跨模态注意力机制对比学习深度学习; 在线阅读下载PDF 职称材料

DLSF:基于双重语义过滤的文本对抗攻击方法: 3; 作者熊熙丁广政 +1 位作者王娟张帅《计算机科学》北大核心 2025年第10期423-432,共10页; 在商业应用领域,基于深度学习的文本模型发挥着关键作用,但其亦被揭示易受对抗性样本的影响,例如通过在评论中夹杂混肴词汇以使模型做出错误响应。好的文本攻击算法不仅可以评估该类模型的鲁棒性,还能够检测现有防御方法的有效性,从而... 展开更多; 关键词文本对抗攻击黑盒攻击束搜索鲁棒性文本模型; 在线阅读下载PDF 职称材料

TextSwindler:面向硬标签黑盒文本的对抗攻击算法被引量：1: 4; 作者熊熙刘钊荣 +1 位作者张帅余艳《中文信息学报》 CSCD 北大核心 2024年第12期18-29,共12页; 在自然语言处理领域,黑盒硬标签对抗攻击算法受到文本离散性、不可微性以及仅能获取模型决策结果的限制,难以同时兼顾攻击效果与攻击效率。该文提出一种基于单词替换的黑盒硬标签文本对抗攻击算法TextSwindler。首先全局随机初始化对抗... 展开更多; 关键词对抗样本黑盒硬标签; 在线阅读下载PDF 职称材料

题名面向大规模机构分散存储数据的基于属性的实体对齐算法: 1; 作者曹泽毅昌燕赖仁鑫张仕斌秦智闫丽丽张雪健狄元灏; 机构成都信息工程大学网络空间安全学院(芯谷产业学院) 先进密码技术与系统安全四川省重点实验室(成都信息工程大学) 先进微处理器技术国家工程研究中心(工业控制与安全分中心); 出处《计算机应用》北大核心 2025年第10期3195-3202,共8页; 基金国家重点研发计划项目(2022YFB3103103) 国家自然科学基金资助项目(62272068,62076042,62102049) +2 种基金四川省重点研发计划项目(2021YFSY0012,2020YFG0307,2021YFG0332)。; 文摘大规模机构分散存储的数据实体存在数据冗余、信息缺失和不一致等问题,需要通过实体对齐进行集成融合。现有的实体对齐方法大多依赖实体的结构信息,通过子图匹配进行对齐,但分散存储数据的结构信息匮乏,导致对齐效果不佳。为解决上述问题,并支撑重要数据的识别,提出一种单层图神经网络的基于属性的实体对齐模型。首先,使用单层图神经网络避免次级邻居节点的信息干扰;其次,设计基于信息熵的属性赋权方法,从而在初始阶段快速区分属性的重要程度;最后,构建基于注意力机制的编码器,以结合局部和全局视角表征不同属性在对齐中的重要程度,更全面地表征实体信息。实验结果表明,在2个分散存储数据集上,相较于次优模型,所提模型的前1位命中率(Hits@1)分别提升了5.24和2.03个百分点。可见,所提模型的对齐效果优于其他实体对齐方法。; 关键词重要数据识别数据融合信息熵实体对齐注意力机制; Keywords important data identification data fusion information entropy entity alignment attention mechanism; 分类号 TP391.1 [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

题名基于跨模态注意力机制和弱监督式对比学习的虚假新闻检测模型: 2; 作者蔡松睿张仕斌丁润宇卢嘉中黄源源; 机构成都信息工程大学人工智能学院(芯谷产业学院) 成都信息工程大学网络空间安全学院(芯谷产业学院) 先进密码技术与系统安全四川省重点实验室先进微处理器技术国家工程研究中心(工业控制与安全分中心); 出处《信息安全研究》北大核心 2025年第8期693-701,共9页; 基金国家重点研发计划项目(2022YFB3103103) 成都市重点研发项目(2023-XT00-00002-GX) 成都市重点研发支撑计划项目(2024-YF05-01227-SN)。; 文摘随着互联网和智能设备的广泛普及,社交媒体已成为新闻传播的主要平台.然而这也为虚假新闻的广泛传播提供了条件.在当前的社交媒体环境中,虚假新闻以文本、图片等多种模态存在,而现有的多模态虚假新闻检测技术通常未能充分挖掘不同模态之间的内在联系,限制了检测模型的整体性能.为了解决这一问题,提出了一种基于跨模态注意力机制和弱监督式对比学习的虚假新闻检测模型.该模型利用预训练的BERT和ViT模型分别提取文本和图像特征,通过跨模态注意力机制有效融合多模态特征.同时,该模型引入了弱监督式对比学习,利用有效模态的预测结果作为监督信号指导对比学习过程,能够有效捕捉和利用文本与图像间的互补信息,从而提升了模型在多模态环境下的性能和鲁棒性.仿真实验表明,提出的虚假新闻检测模型在公开的Weibo17和Weibo21数据集上表现出色,与目前最先进的方法相比,准确率平均提升了1.17个百分点,F 1分数平均提升了1.66个百分点,验证了其在应对多模态虚假新闻检测任务中的有效性和可行性.; 关键词虚假新闻检测多模态融合跨模态注意力机制对比学习深度学习; Keywords fake news detection multi-modal fusion cross-modal attention mechanism contrastive learning deep learning; 分类号 TP389.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名DLSF:基于双重语义过滤的文本对抗攻击方法: 3; 作者熊熙丁广政王娟张帅; 机构成都信息工程大学网络空间安全学院(芯谷产业学院) 先进密码技术与系统安全四川省重点实验室(芯谷产业学院) 先进微处理器技术国家工程研究中心(工业控制与安全分中心) 北京理工大学信息与电子学院; 出处《计算机科学》北大核心 2025年第10期423-432,共10页; 基金四川省科技计划项目(2024NSFSC2043,2024NSFSC1744,2024NSFSC1185) 教育部人文社会科学研究基金(22YJAZH120)。; 文摘在商业应用领域,基于深度学习的文本模型发挥着关键作用,但其亦被揭示易受对抗性样本的影响,例如通过在评论中夹杂混肴词汇以使模型做出错误响应。好的文本攻击算法不仅可以评估该类模型的鲁棒性,还能够检测现有防御方法的有效性,从而降低对抗性样本带来的潜在危害。鉴于目前黑盒环境下生成对抗文本的方法普遍存在对抗文本质量不高且攻击效率低下的问题,提出了一种基于单词替换的双重语义过滤(Dual-level Semantic Filtering,DLSF)攻击算法。其综合了目前存在的候选词集合获取方法,并有效避免了集合中不相关单词的干扰,丰富了候选词的类别和数量。在迭代搜索过程中采用双重过滤的束搜索策略,减少模型访问次数的同时,也能保证获取到最优的对抗文本。在文本分类和自然语言推理任务上的实验结果显示,该方法在提升对抗文本质量的同时,显著提高了攻击效率。具体来说,在IMDB数据集上的攻击成功率高达99.7%,语义相似度达到0.975,而模型访问次数仅为TAMPERS的17%。此外,目标模型在经过对抗样本进行对抗增强训练后,在MR数据集上的攻击成功率从92.9%降至65.4%,进一步验证了DLSF有效提升了文本模型的鲁棒性。; 关键词文本对抗攻击黑盒攻击束搜索鲁棒性文本模型; Keywords Textual adversarial attack Black-box attack Beam search Robustness Text model; 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TextSwindler:面向硬标签黑盒文本的对抗攻击算法被引量：1: 4; 作者熊熙刘钊荣张帅余艳; 机构成都信息工程大学网络空间安全学院(芯谷产业学院) 先进密码技术与系统安全四川省重点实验室(芯谷产业学院) 先进微处理器技术国家工程研究中心(工业控制与安全分中心) 北京理工大学信息与电子学院; 出处《中文信息学报》 CSCD 北大核心 2024年第12期18-29,共12页; 基金国家自然科学基金(81901389) 四川省科技计划项目(2023YFS0290,24NSFSC1744,24NSFSC1185) 教育部人文社会科学研究基金(22YJAZH120)。; 文摘在自然语言处理领域,黑盒硬标签对抗攻击算法受到文本离散性、不可微性以及仅能获取模型决策结果的限制,难以同时兼顾攻击效果与攻击效率。该文提出一种基于单词替换的黑盒硬标签文本对抗攻击算法TextSwindler。首先全局随机初始化对抗样本。接着在迭代优化阶段,分别采用基于词嵌入空间搜索邻近样本,以及基于回溯控制的扰动优化,以减少生成的对抗样本的扰动。最后基于简单交换规则搜索最优单词,提高生成的对抗样本的语义相似度。在8个数据集和3种深度学习模型上的实验结果表明,TextSwindler方法在保证生成样本质量的同时,可以降低43.6%的查询次数。; 关键词对抗样本黑盒硬标签; Keywords adversarial sample black box hard label; 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	作者	出处	发文年	被引量	操作
1	面向大规模机构分散存储数据的基于属性的实体对齐算法	曹泽毅昌燕赖仁鑫张仕斌秦智闫丽丽张雪健狄元灏	《计算机应用》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于跨模态注意力机制和弱监督式对比学习的虚假新闻检测模型	蔡松睿张仕斌丁润宇卢嘉中黄源源	《信息安全研究》北大核心	2025	0	在线阅读下载PDF 职称材料
3	DLSF:基于双重语义过滤的文本对抗攻击方法	熊熙丁广政王娟张帅	《计算机科学》北大核心	2025	0	在线阅读下载PDF 职称材料
4	TextSwindler:面向硬标签黑盒文本的对抗攻击算法	熊熙刘钊荣张帅余艳	《中文信息学报》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料