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

機器學習的對抗性魯棒性綜述了該課題的最新進展，介紹了對抗性攻擊、防御和驗證的常用算法。章節涵蓋了對抗性攻擊、驗證和防御，主要關注圖像分類應用程序，這是對抗性魯棒性社區考慮的標準基準。其他部分討論了圖像分類以外的對抗例子，測試時間攻擊以外的其他威脅模型，以及對抗魯棒性的應用。對于研究人員，本書提供了一個全面的文獻綜述，總結了該領域的最新進展，可以作為一個很好的參考，進行未來的研究。此外，本書還可以作為研究生課程的教材，講授對抗魯棒性或可信賴機器學習。雖然機器學習(ML)算法在許多應用中取得了顯著的性能，但最近的研究表明，它們對對抗性擾動缺乏魯棒性。魯棒性的缺乏給實際應用(如自動駕駛汽車、機器人控制和醫療保健系統)的ML模型帶來了安全問題。

//www.elsevier.com/books/adversarial-robustness-for-machine-learning/chen/978-0-12-824020-5

隨著機器學習理論和算法的最新進展，高容量和可擴展模型的設計，如神經網絡、豐富的數據集和充足的計算資源，機器學習(ML)，或更廣泛地說，人工智能(AI)，已經以前所未有的速度改變了我們的行業和社會。當我們期待著機器學習技術帶來的積極影響時，我們往往會忽視潛在的負面影響，這可能會帶來相當大的道德擔憂，甚至由于法律法規和災難性的失敗而帶來挫折，特別是對于關鍵任務和高風險的決策任務。因此，除了準確性，值得信賴的機器學習是基于機器學習的技術實現和發展的最后一個里程碑。值得信賴的機器學習包含了一系列基本主題，如對抗魯棒性、公平性、可解釋性、問責性和倫理。

這本書的重點是實現對機器學習算法、模型和系統的評估、改進和利用對抗魯棒性的努力，以實現更好、更值得信任的版本。利用不受信任的機器學習作為漏洞，為有意的一方創造無人看管的入口，操縱機器預測，同時避開人類的注意，以獲得自己的利益。無論一個人在ML中的角色是什么，作為模型開發人員、利益相關者還是用戶，我們相信每個人都必須了解機器學習的對抗魯棒性，就像在開車前了解自己車輛的性能和限制一樣。對于模型開發人員，我們提倡對您自己的模型和系統進行主動的內部魯棒性測試，以進行錯誤檢查和降低風險。對于利益相關者，我們主張承認產品和服務可能存在的弱點，并以前瞻性的方式進行誠實和徹底的風險和威脅評估，以防止收入/聲譽損失和對社會和環境的災難性破壞。對于使用機器學習副產品的用戶，我們主張積極了解其安全使用的局限性，并了解可能的誤用。這些與對抗魯棒性相關的方面，以及可用的技術和工具，在本書中進行了闡述。

一般來說，對抗魯棒性集中在機器學習中最壞情況性能的研究，而標準機器學習實踐則關注平均性能，例如對測試數據集的預測精度。最壞情況分析的概念是由確保機器學習對訓練環境和部署場景的變化進行魯棒和準確預測的必要性激發的。具體來說，這種變化可能是由自然事件(例如，由于不同的光照條件導致的數據漂移)或惡意嘗試(例如，旨在妥協并獲得基于機器學習的系統/服務控制權的黑客)引起的。因此，與其問“機器學習在給定數據集/任務上的表現如何?”，在對抗性魯棒性中，我們問“如果數據集或模型可以經歷不同的可量化水平的變化，機器學習的魯棒性和準確性如何?”這種干預過程通常涉及在機器學習中引入虛擬對手以進行魯棒性評估和改進，這是對抗性機器學習的關鍵因素。

本書旨在提供對抗性魯棒性的整體概述，涵蓋機器學習的生命周期，從數據收集，模型開發，到系統集成和部署。內容為機器學習的對抗魯棒性研究提供了一套全面的研究技術和實用工具。本書涵蓋了以下四個研究重點在對抗魯棒性:(i)攻擊-尋找機器學習的失敗模式;(ii)防御——加強和保護機器學習;核證-制定可證明的穩健性業績保證;和(iv)應用——基于對抗性魯棒性研究發明新的用例。

我們將本書各部分的內容總結如下。在第1部分中，我們介紹了本書的初步內容，將對抗性魯棒性與對抗性機器學習聯系起來，并提供了有趣的發現來激勵對抗性魯棒性。在第2部分中，我們介紹了不同類型的對抗攻擊，對攻擊者在機器學習生命周期、目標機器學習系統知識、數字和物理空間的實現以及數據模態中的能力進行了不同的假設。在第3部分中，我們介紹了量化神經網絡可證明魯棒性水平的認證技術。在第4部分中，我們將介紹用于提高機器學習對對抗性攻擊的魯棒性的防御。最后，在第5部分中，我們介紹了幾個從機器學習的對抗魯棒性研究中獲得靈感的新應用。

《機器人網絡的分布式控制》是計算機科學和控制理論的獨特融合。本書提供了一套廣泛的工具，用于理解協調算法，確定其正確性，并評估其復雜性;它分析了任務的各種協作策略，例如共識、集合、連通性維護、部署和邊界估計。統一主題是機器人網絡的一種正式模型，它明確地結合了機器人網絡的通信、傳感、控制和處理能力——這一模型進而產生了描述和分析協調算法的通用正式語言。

為控制和機器人的第一和二年級研究生寫的書，這本書也將對控制理論，機器人，分布式算法和自動機理論的研究人員有用。本書提供了基本概念和主要結果的解釋，以及大量的例子和練習。

對具有固定互連拓撲的處理器網絡和具有位置依賴互連拓撲的機器人網絡的圖論概念、分布式算法和復雜性度量進行了完備的闡述

詳細處理平均和一致算法解釋為同步網絡上的線性迭代

幾何概念的介紹，如分割，接近圖，和多中心函數

詳細處理運動協調算法的部署，會合，連通性維護和邊界估計

現實網絡由多種相互作用、不斷進化的實體組成，而現有的研究大多將其簡單地描述為特定的靜態網絡，而沒有考慮動態網絡的演化趨勢。近年來，動態網絡的特性跟蹤研究取得了重大進展，利用網絡中實體和鏈接的變化來設計網絡嵌入技術。與被廣泛提出的靜態網絡嵌入方法相比，動態網絡嵌入努力將節點編碼為低維密集表示，有效地保持了網絡結構和時間動態，有利于處理各種下游機器學習任務。本文對動態網絡嵌入問題進行了系統的研究，重點介紹了動態網絡嵌入的基本概念，首次對現有的動態網絡嵌入技術進行了分類，包括基于矩陣分解的、基于躍格的、基于自動編碼器的、基于神經網絡的等嵌入方法。此外，我們仔細總結了常用的數據集和各種各樣的后續任務，動態網絡嵌入可以受益。在此基礎上，提出了動態嵌入模型、大規模動態網絡、異構動態網絡、動態屬性網絡、面向任務的動態網絡嵌入以及更多的嵌入空間等現有算法面臨的挑戰，并提出了未來可能的研究方向。