降噪自编码器用于频谱感知对抗防御模型

基于深度学习的频谱感知模型虽检测性能优异,但普遍具有脆弱性,容易受到频谱对抗攻击的干扰。为了防御这种攻击,提出使用降噪自编码器过滤对抗信号,并在此基础上提出了一种结合降噪自编码器和防御蒸馏的联合防御方法。利用对抗信号和干净信号预训练得到降噪自编码器,频谱信号经降噪自编码器过滤后用于训练感知分类器,在测试阶段,联合使用降噪自编码器和分类器。同时,为进一步缓解扰动对模型性能的影响,在分类器训练阶段,利用蒸馏算法平滑训练网络,提高模型泛化能力。实验结果表明,对于可以降低深度学习频谱感知模型检测概率的频谱对抗攻击,所提出的基于降噪自编码器的防御方法仍然能够拥有较高的检测概率和较低的攻击成功率。

氟康唑治疗深部真菌病临床疗效与安全性分析

目的 比较国产与进口氟康唑注射剂治疗深部真菌病临床疗效与安全性。方法 在 170例深部真菌病患者中作了前瞻性多中心研究。结果 试验组 (T组 )与对照组 (C组 )临床综合疗效痊愈率 (5 0 .9%和 5 0 .9% )、有效率 (83.6 %和89.1% )、致病菌株清除率 (83.9%和 89.1% )和不良反应发生率 (8.9%和 9.1% )之间差异均无显著性 (P>0 .0 5 )。结论 国产与进口氟康唑注射液都是安全、有效的抗真菌药物。

调制识别中目标对抗攻击

由于深度学习算法具有特征表达能力强、特征自动提取以及端到端学习等突出优势,因此被越来越多的研究者应用至通信信号识别领域。然而,对抗样本的发现使得深度学习模型极大程度地暴露在潜在的风险因素中,并对当前的调制识别任务造成严重的影响。本文从攻击者的角度出发,通过对当前传输的通信信号添加对抗样本,以验证和评估目标对抗样本对调制识别模型的攻击性能。实验表明,当前的目标攻击可以有效地降低模型识别的精确度,所提出的logit指标可以更细粒度地用于衡量攻击的目标性效果。