基于车辆轨迹预测对抗性攻击与鲁棒性研究

针对常规车辆轨迹预测数据集中较少包含极端交通场景信息的问题,本文提出一种新型对抗性攻击框架来模拟此类场景。首先,为了判定不同场景中对抗性攻击是否有效提出了一种阈值判定的方式;然后,针对攻击目的的不同分别设计了两种对抗性轨迹生成算法,在遵守物理约束和隐蔽性前提下,生成更具对抗性的轨迹样本;此外,提出3个新的评价指标全面评估攻击效果;最后,探究了不同的防御策略来减轻对抗攻击影响。实验结果显示,基于扰动阈值的快速攻击算法(attack algorithm based on perturbation threshold for fast attack,PTFA)和基于动态学习率调整的攻击算法(attack algorithm based on dynamic learning rate adjustment,DLRA)在NGSIM数据集上的攻击时间和扰动效果均优于现有算法,更高效发现模型弱点。本研究通过模拟极端情况丰富了轨迹样本,深入评估了模型鲁棒性,为后续优化奠定了基础。

融合子图结构的知识图谱嵌入对抗性攻击方法

知识图谱嵌入(Knowledge Graph Embedding,KGE)技术的高速发展极大提高了人类对于结构化知识的利用效率,该技术也为人工智能的相关应用提供了有利的支撑.但是知识图谱嵌入方法的脆弱性(vulnerability)给知识图谱的应用带来了巨大的挑战,近期的一些研究表明,在训练数据中添加微小的扰动便能对训练后的机器学习模型造成巨大的影响,甚至导致错误的预测结果.目前针对可能破坏知识图谱嵌入模型的安全漏洞的研究大多关注嵌入模型的损失函数而忽略图结构信息的作用,因此本文提出了一种融合子图结构深度学习的攻击方法DLOSSAA(Deep Learning of Subgraph Structure Adversarial Attack),对知识图谱嵌入的健壮性进行研究.DLOSSAA方法首先通过对子图结构的深度学习捕获相关子图的结构信息,然后通过修正的余弦相似度(Adjusted Cosine Similarity)筛选出最佳的攻击样本,最后将攻击样本添加到训练数据中进行攻击.实验结果表明,该方法能够有效降低攻击后的知识图谱嵌入模型的性能,攻击效果优于大部分已有的对抗性攻击方法.

形式/内容:关联性、对抗性和自鉴性——关于梁宗岱新诗观研究的探讨

梁宗岱认为创作的最高层次,是内容和形式的不可分。他认为形式是承载精神的容器,是作品存在的意义。因为形式是永恒的,文艺作品由于有了形式的承托而能在时间的长河中不被侵蚀。因此,文章从语言学理论出发,探讨梁宗岱对诗歌形式和内容关系的观点。

基于子图采样的大规模图对抗性攻击方法

为提高对抗性攻击在大规模图上的攻击效率,提出了基于子图采样的对抗样本生成方法.该方法通过引入PageRank、余弦相似度及K跳子图等技术,提取与目标节点高度相关的子图,在大规模图上缓解了计算梯度效率较低的问题,在降低被攻击模型准确性的同时提升了攻击的隐蔽性.实验结果表明:所提出的对抗性攻击方法与基于梯度攻击的GradArgmax算法相比,在Cora数据集上提升了30.7%的攻击性能,且在Reddit大规模数据上能够计算GradArgmax算法无法计算的攻击扰动.

轮换攻防对抗性项目体能训练规律探索

不同项目拥有不同的特点及优势,而同类项群的各运动项目之间则具有许多相似的竞技特征和训练要求。基于此,借助项群平台对同类项群共有的体能训练特点进行探索,更有利于认识和把握具体运动项目的体能训练规律。本文运用文献资料法、专家访谈法等研究方法,通过结合棒球、板球、垒球、冰壶、台球等技战能主导类轮换攻防对抗性项目技能特点,分析该项群对体能训练的需求及相互作用,提出以该项群的姿势控制能力训练、相对力量训练、爆发力训练、快速伸缩复合训练、速度与多方向移动训练、能量代谢系统等作为体能训练内容,便于明确技战能主导类轮换攻防对抗性项目运动训练要求与行为指向,旨在推动我国技战能主导类轮换攻防对抗性项目训练科学化程度的进一步发展。

基于注意力机制的对抗性协同过滤推荐算法

针对协同过滤推荐算法中用户所交互的物品对其决策的不同贡献度问题,提出了一种基于相关注意力的协同过滤推荐算法。该算法结合深度学习中的注意力机制为不同物品分配不同的权值来捕获与目标物品最相关的物品,探索不同物品的权重对模型预测的影响并以此提升推荐的准确度;在此基础上,为了解决推荐算法鲁棒性低的问题,进一步提出了注意力协同对抗性训练的推荐算法,通过对抗性学习的方法并使用快速梯度符号算法(FGSM)构建对抗样本输入模型进行对抗训练,缓解模型受扰动的影响从而提升算法鲁棒性。在Pinterest和MovieLens-1M这2个数据集上的实验结果表明,所提算法不仅有效提升了推荐算法的准确度,同时也增强了推荐系统的鲁棒性。

融合线性插值和对抗性学习的深度子空间聚类

聚类算法的研究受到广泛关注,但现有聚类算法通常无法对样本进行精准的聚类且不能有效分离个体聚簇,从而导致聚类模型泛化性能弱等问题。针对于此,提出了一种融合线性插值和对抗性学习的深度子空间聚类模型。该模型在编码器部分使用混合函数和来自均匀分布的α系数对两个样本的隐表示进行线性插值,得到新的混合输出;进而利用子空间聚类模型对混合输出和原样本隐变量进行聚类,有效提升模型对难分类样本的聚类精度。同时,将对抗性学习引入自编码器并在重构数据集上训练一个鉴别器,用于预测α系数,从而提升混合输出的数据质量。在3个公开数据集上进行实验,采用准确率(ACC)和归一化互信息(NMI)对所提算法进行评估。在Extended Yale B、ORL、COIL20数据集上准确率分别达到了0.9761、0.8743、0.9423,与现有的一些算法相比,所提算法的ACC和NMI均有较大的提升,验证了模型在处理难分类样本时,性能具有明显优于现有模型。

对抗性竞技体育伤害行为的正当化理据及其条件展开

对抗性竞技体育比赛之所以容许(重大)伤害结果,从根本上讲是基于存在着“振兴体育”的优越利益。关于对抗性竞技体育伤害行为的正当化条件,现有学说莫衷一是,而造成理论混乱的根本原因在于对方法二元论的漠视。秉持价值规整事实的方法论逻辑,应当将(认识到)遵守特定类型的体育比赛规则作为对抗性竞技体育伤害行为的(主)客观正当化条件。当客观行为违背了比赛规则、对行为被评价为违规的事实有认识时,原则上不具备主观的正当化条件,除非竞技体育参与者对已经失效或尚未生效的比赛规则存在误认,且无法知晓即时有效的比赛规则或是根据裁判员之前做出的不违规判罚而实施相关行为的。

基于参数差异假设的图卷积网络对抗性攻击

图神经网络容易受到对抗性攻击安全威胁.现有图神经网络对抗性攻击思想可以概括为构造矛盾的训练数据.矛盾数据假设不能很好地解释图神经网络过拟合训练数据的攻击场景.本文以有效攻击前后图神经网络模型的训练参数应该具有较大差异为基本出发点,以图卷积网络为具体研究对象,建立基于参数差异假设的对抗性攻击模型.将统计诊断的重要结果Cook距离引入对抗性攻击,提出基于Cook距离的参数差异度量方法.采用基于Cook距离梯度的攻击方法,首次得出了攻击梯度的闭式解,并结合梯度下降算法思想和贪心算法思想提出完整的攻击算法.最后设计实验验证了参数差异假设的合理性和基于该假设导出方法的有效性;验证了梯度信息对图场景离散数据的可用性;仿真示例说明了攻击梯度闭式解的正确性;与其他攻击方法对比分析了攻击方法的有效性.

基于对抗性强化学习的配电网融合通信效率提升方法

为了满足海量配电网终端源节点的多样化通信需求,须对配电网融合通信进行合理的编排优化。基于此,首先构建数据传输时延与传输能耗联合优化问题;其次,将优化问题建模为多臂赌博机问题,并提出一种基于对抗性强化学习的配电网融合通信编排算法,利用历史编排信息和感知源节点间的对抗性,动态学习通信编排决策;最后,通过仿真验证所提算法的优越性能。

基于对抗性扰动图形神经网络的隐私攻击防御策略

为了保护隐私,同时维护干扰数据效用,提出了一种基于对抗性扰动图形神经网络的隐私攻击防御策略。候选边缘选择确保扰动图不可见,图形神经网络组合优化,确保隐私得到保护和数据实用性。进一步证明扰动图结构比扰动节点特征对图形神经网络的影响更大,并且证明扰动可以在模型不可察觉性和隐私保护之间取得平衡。实验结果表明:提出方法可以同时保持图形数据的不可见性,保持目标标签分类的预测置信度并降低隐私标签分类的预测置信度。

公共冲突中对抗性群体心理的生成机理及疏解路径--基于塔尔德社会理论的分析

传播与模仿是塔尔德社会理论谱系的重要概念,其中传播是推动群体形成的动力,模仿催生共同“心理印记”的形成,它们是影响群体心理建构的因素。根据传播与模仿的相互关系,公共冲突中的群体心理分为基于高传播和高模仿的从众型心理、基于低传播和高模仿的模仿主导型心理、基于低传播和低模仿的沉默型心理、基于高传播和低模仿的传播主导型心理,对抗性群体心理是高传播和高模仿从众型心理的重要类型。对抗性群体心理会诱发政府公信力危机、催生责任分散效应等治安风险,需要通过强化政府的信息传播主导权、引导社会模仿行为、优化传播与模仿互动关系以及完善心理疏解机制等措施,缓解对抗性群体心理对社会秩序的冲击,有效维护社会治安。

基于NB和预期效用最大化的对抗性分类博弈

针对数据库中知识发现的对抗性分类博弈进行研究。将该问题构建为一个代价敏感的分类器和代价敏感的对手之间的博弈;基于朴素贝叶斯,分别提出以使预期效用最大化的对手对抗分类器的最优策略和分类器对抗对手策略的最优策略,提出基于剪枝规则和贪婪向前搜索的高效算法计算或近似这些最优策略,实现分类器适应对手不断变化的策略。仿真结果表明,所提分类器相比标准的NB分类器在效用收益、假阳性和假阴性分类性能方面分别提高约47.8%、24.1%和29%,与对手共同进化的能力更佳。

对抗性自动编码网络在高光谱异常检测中的应用

自动编码器(autoencoder,AE)是一种典型的生成模型。由于它具有简单的学习过程、良好的收敛能力和无监督的特性而得到了广泛的应用。AE的目标函数仅是输入输出之间的重构误差。为了提高其性能,提出了对抗性自动编码器(adversarial autoencoder,AAE),可以为原始的AE网络提供变分推理输出。本文回顾有关无监督和半监督的AAE模型在高光谱异常检测(hyperspectral anomaly detection,HAD)中的应用。除了在隐层空间中使用对抗性学习外,还可以通过在编码器的输入和解码器的输出之间添加对抗性学习来提高AAE的性能;通过这种方式,改进后的AAE网络可以更专注于学习数据分布而不仅是点对点的数值重建。试验结果表明,利用这些深度学习模型完成HAD任务的想法超越了传统HAD方法的概念,显著提高了检测性能。

基于对抗性机器学习的网络入侵检测方法研究

网络攻击数据中攻击类别多样、数量分布不均等问题,导致现有基于机器学习的网络入侵检测模型对部分攻击类型的泛化能力较弱,并且由于深度学习模型容易受到对抗样本的攻击,使得深度学习模型在网络入侵检测方面的应用存在诸多约束。对此,文章首先提出了基于随机子空间的入侵检测模型—BAVE-ELM(Bat Algorithm Voting Ensemble Extreme Learning Machines),该方法较好地平衡了模型的泛化能力和虚警率;然后,以BAVE-ELM作为一种基分类器,提出了一种基于自适应集成的网络入侵检测系统(Ensemble Adaptive Network Intrusion Detection System,EA-NIDS),通过集成多种类型的机器学习模型,显著提高了检测模型针对各种攻击类型的泛化能力;最后,文章提出了基于对抗性机器学习的网络入侵检测方法,通过在EA-NIDS中引入对抗训练,显著提升了模型在对抗样本攻击下的鲁棒性。实验结果表明,文章所提出的方法有效提高了网络入侵检测的检测性能以及泛化性,并且在不影响模型准确率的前提下,可显著提升基于机器学习的网络入侵检测模型在对抗性环境中的鲁棒性。

改进频率二分法的对抗性攻击方法

目前存在的深度学习网络模型在面对对抗性攻击时,并不具有鲁棒性。特别是基于决策的对抗攻击,这种对抗攻击仅仅依赖于深度学习模型输出的标签就成功攻击深度学习网络模型。目前基于决策的攻击有两个不可逃避的缺点,首先是查询次数太多,其次就是逃避检测的问题。针对这些缺点,提出了一种改进频率二分法的对抗性攻击方法,这种攻击通过傅里叶变换将图片转为频域,然后通过二分法挑选图片中不重要的高频区域,将其更改,通过实验在限制查询次数和扰动大小的情况下攻击成功率高达56.33%,被检测率仅仅为18.18%,攻击效果高于同类型攻击方法,在现实应用研究中,具有重要意义。

后《民法典》时代对抗性体育运动致人损害案件的归责路径--基于对格斗致害案件的实证研究

随着«民法典»自甘风险制度的确立,运动致害案件的裁判思路面临重大更迭,通过对格斗致害案件展开实证研究,可为改进现有的裁判标准提供重要参考.目前,格斗致害案件的归责路径呈现以自甘风险为中心、以过失相抵为辅助、以组织者责任为补充的格局.由于自甘风险与对抗性运动的致害缘由无法全然吻合,需要引入受害人同意制度作为补充.实践中,法院对于过失相抵和自甘风险的适用范围仍有混淆,有必要重申二者的区分标准及意义.受到自甘风险制度的体系性影响,组织者责任呈现不当扩张趋势,对此,可以转变传统侵权法理论中“全有或全无”的归责思路,采用弹性的定责方式,同时引入去司法化的协同方案,建构起以侵权赔偿为中心、以保险理赔为辅助、以基金赔付为补充的多元救济体系.

基于灰色Verhulst的对抗性局域网态势感知模型

为了实现局域网在对抗环境中的安全运行,研究基于灰色Verhulst的对抗性局域网态势感知模型。通过等时距处理非等时距数列,分析灰色Verhulst模型的反函数模型,预测未来风险值,构建对抗性局域网态势感知模型,为保证对抗性局域网态势感知结果的准确性,评估局域网安全态势基本指数、自适应确定参数以及采用剩余的序列,修正灰色Verhulst模型精度,保证对抗性局域网态势感知效果。实例测试结果表明:该模型对于对抗性局域网态势风险值的感知误差均低于1.2,根治时效性为0.088,实际应用效果极佳。

“对抗性”减弱:生成式人工智能阅读交互与人类思维弱化

[目的/意义]生成式人工智能虽然在阅读交互中具有广泛的运用前景,但也需警惕其“对抗性”减弱下引发的问题,这有利于未雨绸缪,规避其带来的风险。[方法/过程]基于对生成式人工智能技术逻辑的解析,阐释了生成式人工智能阅读交互语境下“对抗性”减弱的生成逻辑,并提出相关的干预措施。[结果/结论]生成式人工智能如ChatGPT,虽提高信息处理效率,但其无条件服从人类指令的设计可能降低用户的思辨能力和认知负荷。这种人机交互模式容易导致认知偏误和“回声室效应”,进而引发思维和知识的退化。为规避这一风险,用户需在与AI交互时保持批判性思维和元认知能力,以及维护自我效能。

“三灵”创生:对抗性球类教学新样态——基于“全国球类运动进校园”展示课的探讨

依据中国健康体育课程模式提出的有运动负荷、有体能练习和有运动技能“三有”要求,依托“全国球类运动进校园”展示课例的教学研究和实践反馈,本文思索与创生有灵活思维、有灵动学练、有灵性学生的“三灵”模式,初涉对抗性球类教学的“深水区”,以抛砖引玉,激辩共鸣。