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

云計算代表 IT 領域向集約化、規模化與專業化道路發展的趨勢,是 IT 領域正在發生的深刻變革.但它在 提高使用效率的同時,為實現用戶信息資產安全與隱私保護帶來極大的沖擊與挑戰.當前,安全成為云計算領域亟待 突破的重要問題,其重要性與緊迫性已不容忽視.本文分析了云計算對信息安全領域中技術、標準、監管等各方面帶來的挑戰;提出云計算安全參考框架及該框架下的主要研究內容; 指出云計算的普及與應用是近年來信息安全領域的重大挑戰與發展契機,將引發信息安全領域又一次重要的技術變革.

//www.jos.org.cn/jos/article/abstract/3958

隨著深度神經網絡在機器學習的各個領域獲得廣泛成功, 其自身所存在的問題也日益尖銳和突出, 例如可解釋性差、魯棒性弱和模型訓練難度大等. 這些問題嚴重影響了神經網絡模型的安全性和易用性. 因此, 神經網絡的可解釋性受到了大量的關注, 而利用模型可解釋性改進和優化模型的性能也成為研究熱點之一. 在本文中, 我們通過幾何中流形的觀點來理解深度神經網絡的可解釋性, 在通過流形視角分析神經網絡所遇到的問題的同時, 匯總了數種有效的改進和優化策略并對其加以解釋. 最后, 本文對深度神經網絡流形解釋目前存在的挑戰加以分析, 提出將來可能的發展方向, 并對今后的工作進行了展望.

//www.sciengine.com/publisher/scp/journal/SSI/51/9/10.1360/SSI-2020-0169?slug=fulltext

摘要: 在大數據時代下, 以高效自主隱式特征提取能力聞名的深度學習引發了新一代人工智能的熱潮, 然而其背后黑箱不可解釋的“捷徑學習”現象成為制約其進一步發展的關鍵性瓶頸問題. 解耦表征學習通過探索大數據內部蘊含的物理機制和邏輯關系復雜性, 從數據生成的角度解耦數據內部多層次、多尺度的潛在生成因子, 促使深度網絡模型學會像人類一樣對數據進行自主智能感知, 逐漸成為新一代基于復雜性的可解釋深度學習領域內重要研究方向, 具有重大的理論意義和應用價值. 本文系統地綜述了解耦表征學習的研究進展, 對當前解耦表征學習中的關鍵技術及典型方法進行了分類闡述, 分析并匯總了現有各類算法的適用場景并對此進行了可視化實驗性能展示, 最后指明了解耦表征學習今后的發展趨勢以及未來值得研究的方向.

摘要: 近年來, 深度學習在圖像分類、目標檢測及場景識別等任務上取得了突破性進展, 這些任務多以卷積神經網絡(Convolutional neural network, CNN)為基礎搭建識別模型, 訓練后的模型擁有優異的自動特征提取和預測性能, 能夠為用戶提供“輸入-輸出”形式的解決方案. 然而, 由于分布式的特征編碼和越來越復雜的模型結構, 人們始終無法準確理解CNN模型內部知識表示, 以及促使其做出特定決策的潛在原因. 另一方面, CNN模型在一些高風險領域的應用, 也要求對其決策原因進行充分了解, 方能獲取用戶信任. 因此, CNN的可解釋性問題逐漸受到關注. 研究人員針對性的提出了一系列用于理解和解釋CNN的方法, 包括事后解釋方法和構建自解釋的模型等, 這些方法各有側重和優勢, 從多方面對CNN進行特征分析和決策解釋. 表征可視化是其中一種重要的CNN可解釋性方法, 能夠對CNN所學特征及輸入-輸出之間的相關關系以視覺的方式呈現, 從而快速獲取對CNN內部特征和決策的理解, 具有過程簡單和效果直觀的特點. 本文對近年來CNN表征可視化領域的相關文獻進行了綜合性回顧, 按照以下幾個方面組織內容: 表征可視化研究的提起、相關概念及內容、可視化方法、可視化的效果評估及可視化的應用, 重點關注了表征可視化方法的分類及算法的具體過程. 最后, 對該領域仍存在的難點及未來研究趨勢進行了展望, 并總結了全文.

新一輪科技革命和產業變革正在萌發, 以深度學習和大數據為基礎, 以AlphaGo等為典型應用場景掀起了人工智能的第3次高潮. 傳統的基于統計線性化動態建模的人工智能, 在處理復雜對象時遇到了可解釋性、泛化性和可復現性等發展瓶頸, 迫切需要建立基于復雜性與多尺度分析的新一代人工智能理論, 我們稱之為精準智能. 針對復雜系統的非線性特征, 精準智能構建內嵌領域知識和數學物理機理的系統學習理論, 包括復雜數據科學感知、復雜系統精準構建、復雜行為智能分析3個層次. 具體而言, 通過復雜數據科學感知建立內嵌時空特征與數理規律等具有可解釋性的科學數據系統; 通過復雜系統精準構建反演具有非線性復雜邏輯關系的多層次、多尺度、可解釋的人工智能動態學習模型; 通過對系統復雜行為智能分析建立面向系統行為演進和全局動態分析的可解釋可調控人工智能新理論和新方法. 將上述精準智能理論應用于群體智能, 提出了群體熵方法, 實現了群體激發和匯聚行為復雜性度量與有效引導調控.

//www.sciengine.com/publisher/scp/journal/SSI/51/4/10.1360/SSI-2020-0158?slug=fulltext

摘要： 需求獲取和建模是指從需求文本或記錄中獲取顯式和隱式的需求，并通過表格化、圖形化、形式化等方法構建相應模型的過程，是軟件開發過程中極為關鍵的一步，為后續系統設計與實現鋪平道路，提高軟件開發效率和質量，提升軟件系統穩定性和可行性.研究者們在需求獲取與建模方面獲得了一系列研究成果，根據其關注階段不同，可以將它們分為需求知識提取、需求知識分類和需求模型構建3個方面.鑒于傳統方法在知識獲取、模型構建的準確性和效率方面一直存在弊端，近年來，越來越多的研究者們將具有廣泛應用性的人工智能技術與需求獲取、需求分類、需求建模方法相結合，提出了一系列智能需求獲取與建模的方法和技術，從而彌補了傳統方法的不足.著重從智能需求獲取與建模角度著手，對近年來的研究進展進行梳理和總結.主要內容包括：1)統計并分析人工智能技術在需求知識提取、需求知識分類和需求模型構建中使用的方法和技術；2)總結了智能需求獲取與建模過程中采用的驗證方法和評估方法；3)從科學問題和技術難點2個方面歸納得出目前智能需求獲取與建模的關鍵問題，圍繞集成式和動態化模型構建、與其他軟件工程活動關聯、智能需求知識分類的粒度、數據集構建、評估指標構建和工具支持6部分，闡述了上述問題的可能解決思路和未來發展趨勢

//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2021.20200740

摘要： 當前,以網絡數據為代表的跨媒體數據呈現爆炸式增長的趨勢,呈現出了跨模態、跨數據源的復雜關聯及動態演化特性,跨媒體分析與推理技術針對多模態信息理解、交互、內容管理等需求,通過構建跨模態、跨平臺的語義貫通與統一表征機制,進一步實現分析和推理以及對復雜認知目標的不斷逼近,建立語義層級的邏輯推理機制,最終實現跨媒體類人智能推理。文中對跨媒體分析推理技術的研究背景和發展歷史進行概述,歸納總結視覺-語言關聯等任務的關鍵技術,并對研究應用進行舉例。基于已有結論,分析目前跨媒體分析領域所面臨的關鍵問題,最后探討未來的發展趨勢。

//www.jsjkx.com/CN/10.11896/jsjkx.210200086

在大數據時代下，深度學習、強化學習以及分布式學習等理論和技術取得的突破性進展，為機器學習提供了數據和算法層面的強有力支撐，同時促進了機器學習的規模化和產業化發展.然而，盡管機器學習模型在現實應用中有著出色的表現，但其本身仍然面臨著諸多的安全威脅.機器學習在數據層、模型層以及應用層面臨的安全和隱私威脅呈現出多樣性、隱蔽性和動態演化的特點.機器學習的安全和隱私問題吸引了學術界和工業界的廣泛關注，一大批學者分別從攻擊和防御的角度對模型的安全和隱私問題進行了深入的研究，并且提出了一系列的攻防方法. 在本綜述中，我們回顧了機器學習的安全和隱私問題，并對現有的研究工作進行了系統的總結和科學的歸納，同時明確了當前研究的優勢和不足. 最后，我們探討了機器學習模型安全與隱私保護研究當前所面臨的挑戰以及未來潛在的研究方向，旨在為后續學者進一步推動機器學習模型安全與隱私保護研究的發展和應用提供指導.

//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6131&flag=1

以研究科學創新與演化規律為目的的科學學近年來迎來了進一步的發展, 科技大數據領域知識圖譜在其中發揮了重大的作用. 本文將從科技大數據知識圖譜構建及應用研究角度, 對科學學研究過程中發揮重大推動作用的科技領域知識圖譜技術進行系統、深入的綜述, 闡述科技大數據知識圖譜構建過程中涉及的科技實體抽取、科技實體消歧、科技關系抽取、科技關系推斷等問題, 對科技實體推薦、科技社區發現、科技實體評價、學科交叉以及學科演化等科技大數據知識圖譜分析挖掘方法進行系統梳理, 并給出科技大數據知識圖譜未來的研究及應用方向.

//engine.scichina.com/publisher/scp/journal/SSI/50/7/10.1360/SSI-2019-0271?slug=abstract

摘要： 深度學習的可解釋性研究是人工智能、機器學習、認知心理學、邏輯學等眾多學科的交叉研究課題，其在信息推送、醫療研究、金融、信息安全等領域具有重要的理論研究意義和實際應用價值.從深度學習可解釋性研究起源、研究探索期、模型構建期3方面回顧了深度學習可解釋性研究歷史，從可視化分析、魯棒性擾動分析、敏感性分析3方面展現了深度學習現有模型可解釋性分析研究現狀，從模型代理、邏輯推理、網絡節點關聯分析、傳統機器學習模型改進4方面剖析了可解釋性深度學習模型構建研究，同時對當前該領域研究存在的不足作出了分析，展示了可解釋性深度學習的典型應用，并對未來可能的研究方向作出了展望.