线性同余发生器的分析

文章研究了线性同余序列参数的生成方法,并给出了具体的求乘数算法。

面向实际场景的人工智能脆弱性分析

人工智能技术广泛应用于自动驾驶、无人机、机器人等自主无人系统,是实现场景感知、情报获取、辅助决策等复杂功能的重要支撑。因此,研究人工智能技术的脆弱性和本身安全性问题引起了越来越多的关注。对抗机器学习(adversarial machine learning)是机器学习和计算机安全领域的交叉学科,是人工智能算法普遍面临的挑战之一。文中以实际场景下的人工智能安全性为出发点,梳理了对抗样本发展的起源,形成的机理以及发展脉络。首先从攻击、防御两个方面探究各种方法的原理和优缺点;其次,在分析研究经典算法和适用场景的基础上,研究了在实际场景下智能技术面临的脆弱性和挑战;最后,针对在图像、语音、网络和软件应用等不同领域中所面临的挑战和未来发展趋势做了进一步的分析和展望。

基于变分自编码器的隐私保护机器学习模型预测算法

近年来,机器学习成为一个备受关注的领域,给我们的日常生活带来了巨大的便利。然而,随着机器学习在各个领域的深入,隐私安全已经成为一个不容忽视的问题。为了使用机器学习服务而不必担心隐私泄露,人们普遍期望使用保护的机器学习算法。在本文中,我们提出了一种实用的利用变分自编码器实现的隐私保护机器学习预测方案。利用变分自编码器生成相近的假的数据,用以代替用户真实的敏感输入数据,用于机器学习预测。我们在基准数据集Adult、MNIST、Fashion MNIST和CelebA上测试了我们的方案。实验结果表明,本方案可以实现良好的隐私保护,准确率高,效率高。