期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
数据空间工程建设模式及推广应用研究 被引量:1
1
作者 郭明军 于施洋 +4 位作者 窦悦 郭巧敏 庾朝富 李子硕 黄依迪 《中国工程科学》 北大核心 2025年第1期63-71,共9页
随着新一轮科技革命和产业变革加速演进,数据作为新型生产要素正在深刻改变着生产、生活和社会治理方式,促进数据安全有序流通和价值高效释放的数据空间建设,备受社会各界关注。本文聚焦数据空间的工程建设模式及推广应用,在梳理分析国... 随着新一轮科技革命和产业变革加速演进,数据作为新型生产要素正在深刻改变着生产、生活和社会治理方式,促进数据安全有序流通和价值高效释放的数据空间建设,备受社会各界关注。本文聚焦数据空间的工程建设模式及推广应用,在梳理分析国内外数据空间相关研究与实践经验的基础上,基于数据空间工程建设的驱动要素视角,提出了战略引领型、技术驱动型、需求拉动型、生态赋能型4类数据空间,总结了“政府主导+数据基础设施”“技术创新+数据开发利用”“场景牵引+产业转型升级”“服务合作+数字城市建设”4种数据空间工程建设模式。研究建议,完善政策保障机制、强化关键技术创新、深化应用体系建设和启动试点示范工程,以期为构建具有中国特色、国际领先的数据空间提供有益参考。 展开更多
关键词 数据空间 数据流通利用 数据基础设施 工程建设模式
在线阅读 下载PDF
针对音频识别的物理世界音素对抗攻击
2
作者 王嘉凯 孔宇升 +5 位作者 陈镇东 胡琎 尹子鑫 马宇晴 杨晴虹 刘祥龙 《计算机研究与发展》 北大核心 2025年第3期751-764,共14页
语音识别等智能技术在自动驾驶、物联网等场景下得到了广泛的应用.近年来,针对语音识别的对抗攻击研究逐渐受到关注.然而,现有的大多数研究主要依赖于粗粒度的音频特征来在实例级别生成对抗噪声,这导致生成时间成本高昂且攻击能力弱.考... 语音识别等智能技术在自动驾驶、物联网等场景下得到了广泛的应用.近年来,针对语音识别的对抗攻击研究逐渐受到关注.然而,现有的大多数研究主要依赖于粗粒度的音频特征来在实例级别生成对抗噪声,这导致生成时间成本高昂且攻击能力弱.考虑到所有语音可以被视为基本音素的不同组合,提出了一个基于音素的通用对抗攻击方法——音素对抗噪声(phonemic adversarial noise,PAN),该方法通过攻击在音频数据中普遍存在的音素级别的细粒度音频特征,以生成音素级对抗噪声,取得了更快的对抗噪声生成速度并具备更强的通用攻击能力.为了全面地评估所提出的PAN框架,在实验中基于Libri Speech等多种语音识别任务中被广泛采用的公开数据集,对提出的音素对抗噪声的攻击有效性、跨数据集的泛化能力、跨模型迁移攻击能力和跨任务迁移攻击能力进行了验证,并进一步在物理世界设备中证实了对民用智能音频识别应用的攻击效果.实验结果表明,所提出的方法比其他对比方法的攻击能力提高了38%,生成速度快了24倍以上,且提出的采样策略和学习方法对降低训练时间和提升攻击能力具有重要作用. 展开更多
关键词 人工智能安全 对抗攻击 音频识别 物理攻击 音素对抗噪声
在线阅读 下载PDF
变分近似解算KL散度红外可见光遥感图像配准 被引量:1
3
作者 王佳 吴昊 +2 位作者 傅瑞罡 孔玲爽 左毅 《光学精密工程》 EI CAS CSCD 北大核心 2024年第20期3071-3084,共14页
为解决基于传统的距离相似性度量函数在异源遥感图像配准任务中抗噪性能差的问题,提出基于变分近似解算KL散度的红外/可见光遥感图像配准方法。首先,对红外实时图像和可见光基准图像分别提取边缘特征,得到异源图像共性特征;然后,利用成... 为解决基于传统的距离相似性度量函数在异源遥感图像配准任务中抗噪性能差的问题,提出基于变分近似解算KL散度的红外/可见光遥感图像配准方法。首先,对红外实时图像和可见光基准图像分别提取边缘特征,得到异源图像共性特征;然后,利用成像位姿信息对红外图像边缘特征点集进行正射校正,并对红外/可见光图像特征点集分别构建高斯混合模型;接着,将两个高斯混合模型之间的KL(Kullback-Leibler)散度值作为图像相似性度量函数,并引入带约束的变分参量,利用拉格朗日乘数法解算出变分参量,实现近似求解KL散度值的目标;最后,采用粒子群优化算法搜索最佳配准参数,实现图像配准。在遥感图像对比实验结果中,本文方法的配准参数均方根误差平均值为2.5,平均运行时间为1.5 s;在高斯噪声方差和椒盐噪声系数为0.07时,仍能实现正确配准。表明本文方法具有较强的鲁棒性和运算效率。 展开更多
关键词 变分近似法 KL散度 图像配准 遥感图像
在线阅读 下载PDF
多模态引导的局部特征选择小样本学习方法 被引量:7
4
作者 吕天根 洪日昌 +1 位作者 何军 胡社教 《软件学报》 EI CSCD 北大核心 2023年第5期2068-2082,共15页
深度学习模型取得了令人瞩目的成绩,但其训练依赖于大量的标注样本,在标注样本匮乏的场景下模型表现不尽人意.针对这一问题,近年来以研究如何从少量样本快速学习的小样本学习被提了出来,方法主要采用元学习方式对模型进行训练,取得了不... 深度学习模型取得了令人瞩目的成绩,但其训练依赖于大量的标注样本,在标注样本匮乏的场景下模型表现不尽人意.针对这一问题,近年来以研究如何从少量样本快速学习的小样本学习被提了出来,方法主要采用元学习方式对模型进行训练,取得了不错的学习效果.但现有方法:1)通常仅基于样本的视觉特征来识别新类别,信息源较为单一;2)元学习的使用使得模型从大量相似的小样本任务中学习通用的、可迁移的知识,不可避免地导致模型特征空间趋于一般化,存在样本特征表达不充分、不准确的问题.为解决上述问题,将预训练技术和多模态学习技术引入小样本学习过程,提出基于多模态引导的局部特征选择小样本学习方法.所提方法首先在包含大量样本的已知类别上进行模型预训练,旨在提升模型的特征表达能力;而后在元学习阶段,方法利用元学习对模型进行进一步优化,旨在提升模型的迁移能力或对小样本环境的适应能力,所提方法同时基于样本的视觉特征和文本特征进行局部特征选择来提升样本特征的表达能力,以避免元学习过程中模型特征表达能力的大幅下降;最后所提方法利用选择后的样本特征进行小样本学习.在MiniImageNet、CIFAR-FS和FC-100这3个基准数据集上的实验表明,所提的小样本学习方法能够取得更好的小样本学习效果. 展开更多
关键词 小样本学习 多模态融合 图像分类 表示学习
在线阅读 下载PDF
面向深度强化学习的对抗攻防综述 被引量:5
5
作者 刘艾杉 郭骏 +3 位作者 李思民 肖宜松 刘祥龙 陶大程 《计算机学报》 EI CAS CSCD 北大核心 2023年第8期1553-1576,共24页
深度强化学习技术以一种端到端学习的通用形式融合了深度学习的感知能力与强化学习的决策能力,在多个领域得到了广泛应用,形成了人工智能领域的研究热点.然而,由于对抗样本等攻击技术的出现,深度强化学习暴露出巨大的安全隐患.例如,通... 深度强化学习技术以一种端到端学习的通用形式融合了深度学习的感知能力与强化学习的决策能力,在多个领域得到了广泛应用,形成了人工智能领域的研究热点.然而,由于对抗样本等攻击技术的出现,深度强化学习暴露出巨大的安全隐患.例如,通过在真实世界中打印出对抗贴纸便可以轻松地使基于深度强化学习的智能系统做出错误的决策,造成严重的损失.基于此,本文对深度强化学习领域对抗攻防技术的前沿研究进行了全面的综述,旨在把握整个领域的研究进展与方向,进一步推动深度强化学习对抗攻防技术的长足发展,助力其应用安全可靠.结合马尔科夫决策过程中可被扰动的空间,本文首先从基于状态、基于奖励以及基于动作角度的详细阐述了深度强化学习对抗攻击的进展;其次,通过与经典对抗防御算法体系进行对齐,本文从对抗训练、对抗检测、可证明鲁棒性和鲁棒学习的角度归纳总结了深度强化学习领域的对抗防御技术;最后,本文从基于对抗攻击的深度强化学习机理理解与模型增强的角度分析了对抗样本在强化学习领域的应用并讨论了领域内的挑战和未解决问题. 展开更多
关键词 对抗样本 对抗攻击 对抗防御 深度强化学习 模型鲁棒性
在线阅读 下载PDF
超图环境下链路预测问题的探究 被引量:1
6
作者 佘美富 王逸伟 +2 位作者 张建章 詹秀秀 刘闯 《西南大学学报(自然科学版)》 CAS CSCD 北大核心 2023年第8期61-75,共15页
超图作为图的扩展,可以表示多种实体间的关系,使得其表达能力大大强于图,该优势吸引人们的关注并日益成为研究热点.链路预测作为图数据挖掘中的常见任务,也在超图上扩展为超链路预测.超链路预测通过已知超边或节点的属性来估计新超边出... 超图作为图的扩展,可以表示多种实体间的关系,使得其表达能力大大强于图,该优势吸引人们的关注并日益成为研究热点.链路预测作为图数据挖掘中的常见任务,也在超图上扩展为超链路预测.超链路预测通过已知超边或节点的属性来估计新超边出现的可能性,但是由于超边内节点数量的任意性,其可能的超边由O(n^(2))暴增至O(2^(n)),这大大增加了算法的复杂度.本文使用下采样方法以减少候选超边集的大小,将图上的带重启的随机游走算法扩展到超图上.还将图上的其他指标,如CN、CE、Jaccard等,扩展到超图进行比较.结果表明,带重启的随机游走指标在精确率和召回率上要明显优于其他指标,并且观察到演化良好的超图其超边内部的联系强度随节点数的增加而增加,由此可知超链路预测的主要难点在于对小尺寸超边的预测. 展开更多
关键词 超图 链路预测 超链路预测 带重启的随机游走 有限集合 算法
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部