机器学习的不断发展对现代密码体制造成的威胁不断增大,如何将神经网络应用到密码学上的研究日益深入,而生成对抗网络的对抗学习机制与密码学中的对抗性质相符,因此,研究了对抗网络与密钥协商相结合的问题。作为初步的概念验证,直接采...机器学习的不断发展对现代密码体制造成的威胁不断增大,如何将神经网络应用到密码学上的研究日益深入,而生成对抗网络的对抗学习机制与密码学中的对抗性质相符,因此,研究了对抗网络与密钥协商相结合的问题。作为初步的概念验证,直接采用神经网络代替通信双方和敌手,利用对抗学习机制为核心思想设计对抗网络下的密钥协商模型(key agreement based on adversarial network,KG-AN),并进行了密钥长度为16 bit和64 bit的训练。实验结果显示,通信双方的协商密钥误差分别在1.5%和2%左右,敌手的破译误差分别保持在95%和91%左右,初步实现了对抗网络下的密钥协商功能,验证了对抗网络应用到密钥协商的可行性。展开更多
针对现有图嵌入方法损失函数来源单一导致节点表示不能被充分优化的问题,提出了基于同步联合优化的注意力图自编码器(attentional graph auto-encoder based on synchronous joint optimization,AGE-SJO)。设计基于注意力机制的编码器...针对现有图嵌入方法损失函数来源单一导致节点表示不能被充分优化的问题,提出了基于同步联合优化的注意力图自编码器(attentional graph auto-encoder based on synchronous joint optimization,AGE-SJO)。设计基于注意力机制的编码器学习节点表示,并利用内积解码器重建图结构生成重建损失(L_(R));为从多方面优化表示,将编码器和多层感知机分别作为生成模型和判别模型进行对抗训练,获得生成损失(L_(G))和判别损失(L_(D));提出同步联合优化策略,依次在L_(R)的k步、L_(D)的k步和L_(G)的1步之间优化表示,并将其应用于链路预测和节点聚类。在引文数据集上的实验结果表明,所提出的AGE-SJO性能优越,与最强基线相比,AUC、AP、ACC、NMI和ARI指标可分别提升1.6%、2.1%、10.6%、4.9%和12.4%。展开更多
文摘机器学习的不断发展对现代密码体制造成的威胁不断增大,如何将神经网络应用到密码学上的研究日益深入,而生成对抗网络的对抗学习机制与密码学中的对抗性质相符,因此,研究了对抗网络与密钥协商相结合的问题。作为初步的概念验证,直接采用神经网络代替通信双方和敌手,利用对抗学习机制为核心思想设计对抗网络下的密钥协商模型(key agreement based on adversarial network,KG-AN),并进行了密钥长度为16 bit和64 bit的训练。实验结果显示,通信双方的协商密钥误差分别在1.5%和2%左右,敌手的破译误差分别保持在95%和91%左右,初步实现了对抗网络下的密钥协商功能,验证了对抗网络应用到密钥协商的可行性。
文摘针对现有图嵌入方法损失函数来源单一导致节点表示不能被充分优化的问题,提出了基于同步联合优化的注意力图自编码器(attentional graph auto-encoder based on synchronous joint optimization,AGE-SJO)。设计基于注意力机制的编码器学习节点表示,并利用内积解码器重建图结构生成重建损失(L_(R));为从多方面优化表示,将编码器和多层感知机分别作为生成模型和判别模型进行对抗训练,获得生成损失(L_(G))和判别损失(L_(D));提出同步联合优化策略,依次在L_(R)的k步、L_(D)的k步和L_(G)的1步之间优化表示,并将其应用于链路预测和节点聚类。在引文数据集上的实验结果表明,所提出的AGE-SJO性能优越,与最强基线相比,AUC、AP、ACC、NMI和ARI指标可分别提升1.6%、2.1%、10.6%、4.9%和12.4%。
