亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

題目：

Con?dence-Aware Learning for Deep Neural Networks

簡介：

盡管深度神經網絡可以執行多種任務，但過分一致的預測問題限制了它們在許多安全關鍵型應用中的實際應用。已經提出了許多新的工作來減輕這個問題，但是大多數工作需要在訓練和/或推理階段增加計算成本，或者需要定制的體系結構來分別輸出置信估計。在本文中，我們提出了一種使用新的損失函數訓練深度神經網絡的方法，稱為正確排名損失，該方法將類別概率顯式規范化，以便根據依據的有序等級更好地進行置信估計。所提出的方法易于實現，并且無需進行任何修改即可應用于現有體系結構。而且，它的訓練計算成本幾乎與傳統的深度分類器相同，并且通過一次推斷就可以輸出可靠的預測。在分類基準數據集上的大量實驗結果表明，所提出的方法有助于網絡產生排列良好的置信度估計。我們還證明，它對于與置信估計，分布外檢測和主動學習密切相關的任務十分有效。

隨著深度學習在視覺、推薦系統、自然語言處理等諸多領域的不斷發展，深度神經網絡(DNNs)在生產系統中得到了廣泛的應用。大數據集的可用性和高計算能力是這些進步的主要因素。這些數據集通常是眾包的，可能包含敏感信息。這造成了嚴重的隱私問題，因為這些數據可能被濫用或通過各種漏洞泄露。即使云提供商和通信鏈路是可信的，仍然存在推理攻擊的威脅，攻擊者可以推測用于訓練的數據的屬性，或者找到底層的模型架構和參數。在這次調查中，我們回顧了深度學習帶來的隱私問題，以及為解決這些問題而引入的緩解技術。我們還指出，在測試時間推斷隱私方面的文獻存在空白，并提出未來可能的研究方向。

題目： Anomalous Instance Detection in Deep Learning: A Survey

摘要：

深度學習(DL)容易受到分布不均勻和對抗性示例的影響，從而導致不正確的輸出。為了使DL更具有魯棒性，最近提出了幾種方法:異常檢測技術來檢測(并丟棄)這些異常樣本。本研究試圖為基于DL的應用程序異常檢測的研究提供一個結構化的、全面的概述。我們根據現有技術的基本假設和采用的方法為它們提供了一個分類。我們討論了每個類別中的各種技術，并提供了這些方法的相對優勢和劣勢。我們在這次調查中的目標是提供一個更容易并且更好理解的技術，這項技術是在這方面已經做過研究的，且屬于不同的類別的。最后，我們強調了在DL系統中應用異常檢測技術所面臨的未解決的研究挑戰，并提出了一些具有重要影響的未來研究方向。

題目： A Survey on Big Data for Network Traffic Monitoring and Analysis

摘要： 網絡流量監測與分析(NTMA)是網絡管理的一個重要組成部分，尤其對保證Internet等大型網絡的正常運行具有重要意義。隨著Internet服務的復雜性和通信量的不斷增加，設計可擴展的NTMA應用程序變得越來越困難。諸如流量分類和監控等應用程序需要實時的和可擴展的方法。異常檢測和安全機制需要在處理數百萬異構事件時快速識別和響應不可預測的事件。最后，系統必須收集、存儲和處理大量的歷史數據，以便進行事后分析。這些正是一般大數據方法所面臨的挑戰:容量、速度、多樣性和準確性。本次綜述整合了NTMA和大數據。我們整理了以往在NTMA中采用大數據方法的工作，以了解NTMA在多大程度上探索了大數據的潛力。本綜述主要針對大NTMA數據管理的方法和技術，并簡要討論大數據分析(如機器學習)對NTMA的影響。最后，我們為未來的工作提供指導，討論經驗教訓和研究方向。

簡介：

近年來，由于機器學習（ML）/深度學習（DL）技術使用多維醫學圖像，在從一維心臟信號的心臟驟停的預測到計算機輔助診斷（CADx）的各種醫療保健應用中的卓越性能，見證了機器學習（ML）/深度學習（DL）技術的廣泛采用。盡管ML / DL的性能令人印象深刻，但對于ML / DL在醫療機構中的健壯性仍然存有疑慮（由于涉及眾多安全性和隱私問題，傳統上認為ML / DL的挑戰性很大），尤其是鑒于最近的研究結果表明ML / DL容易受到對抗性攻擊。在本文中，我們概述了醫療保健中各個應用領域，這些領域從安全性和隱私性的角度利用了這些技術，并提出了相關的挑戰。此外，我們提出了潛在的方法來確保醫療保健應用程序的安全和隱私保護機器學習。最后，我們提供了有關當前研究挑戰的見解以及未來研究的有希望的方向。

內容大綱：

題目： Quantum Adversarial Machine Learning

摘要： 對抗性機器學習是一個新興的研究領域，主要研究機器學習方法在對抗性環境中的脆弱性，并開發相應的技術，使學習對對抗性操作具有魯棒性。它在各種機器學習應用中起著至關重要的作用，近年來引起了不同社區的極大關注。本文探討了量子機器學習中不同的對抗情境。我們發現，與基于經典神經網絡的傳統分類器類似，量子學習系統同樣容易受到精心設計的對抗性示例的攻擊，而與輸入數據是經典的還是量子的無關。特別是，我們發現，通過對原始合法樣本添加不可察覺的擾動而獲得的對抗性示例，可以最終欺騙達到接近最新精度的量子分類器。這在不同場景下的量子對抗學習中得到了明確的證明，包括對現實生活中的圖像（如數據集MNIST中的手寫數字圖像）進行分類，對物質的學習階段（如鐵磁/順磁有序和對稱保護拓撲相）進行分類，以及對量子數據進行分類。此外，我們還指出，根據手頭的對抗性例子的信息，可以設計出實用的防御策略來對抗多種不同的攻擊。我們的研究結果揭示了量子機器學習系統對各種擾動的顯著脆弱性，這不僅從理論上揭示了機器學習與量子物理學之間的聯系，而且為基于近期和未來量子技術的量子分類器的實際應用提供了有價值的指導。

近幾年來，隨著機器學習的普及，機器學習系統的公平性問題引起了實際的道德、社會等問題。圖書《公平性與機器學習—局限與機遇》以公平性為核心問題來看待機器學習，提供了對當前機器學習實踐以及為實現公平而提出的技術修復方案的批判性思考。

社會、道德和機器學習自身等角度，介紹了目前機器學習中的公平性問題，如由于數據導致的偏置（bias）等問題。

圖書《Fairness and Machine Learning - Limitations and Opportunities》（《公平性與機器學習—局限與機遇》）以公平性為核心問題來看待機器學習，強調機器學習在道德方面的挑戰。作者希望該書盡可能地被廣泛閱讀，但在寫作時依然堅持著技術的嚴謹性。該書并沒有提供包羅萬象的對公平性完整的正式定義，也沒有提出一個快速解決社會對自動決策擔憂的修復方案。

解決機器學習公平性問題需要認真理解機器學習工具的局限性。該書提供了對當前機器學習實踐以及為實現公平而提出的技術修復方案的批判性思考。雖然這些問題都沒有簡單的答案，作者希望這本書能夠幫助讀者更深層次地理解如何構建負責任的機器學習系統。