深度神经网络应用的最新进展 Part2（深度学习）
深度神经网络应用的最新进展 Part2（深度学习）
- 使用具有部分卷积的深度神经网络对卫星图像时间序列进行有效的数据驱动间隙填充（ arXiv )
作者 ： 马吕斯·阿佩尔
抽象的 ： 卫星图像时间序列中的大量空白通常使深度学习模型（例如卷积神经网络）在时空建模中的应用变得复杂。基于先前在计算机视觉图像修复方面的工作，本文展示了如何将三维时空部分卷积用作神经网络中的层来填补卫星图像时间序列中的空白。为了评估该方法，我们将类似 U-Net 的模型应用于来自 Sentinel-5P 卫星的准全球一氧化碳观测的不完整图像时间序列。预测误差与两种考虑的统计方法相当，而预测的计算时间快了三个数量级，使得该方法适用于处理大量卫星数据。部分卷积可以作为层添加到其他类型的神经网络，使其相对容易与现有的深度学习模型集成。然而，该方法不能量化预测误差，需要进一步研究来理解和提高模型的可迁移性。时空部分卷积和类 U-Net 模型的实现可作为开源软件使用。
2.Cross Section Doppler Broadening prediction using Physically Informed Deep Neural Networks ( arXiv )
作者 ： 亚瑟皮内特 , 路易斯·莱尔 , 贾巴夫·贾斯瓦尔
抽象的 ： 中子-核相互作用的温度依赖性被称为截面的多普勒展宽。这是众所周知的效应，原因是在中子-核相互作用中发生的目标核的热运动。这种效应的快速计算对于任何核应用来说都是至关重要的。已经开发了允许确定横截面中的多普勒效应的机制，其中大多数基于被称为 Solbrig 核的方程的数值分辨率，这是一种源自自由气体原子分布假设的横截面多普勒展宽形式。本文探讨了一种基于深度学习技术的新型非线性方法。深度神经网络在合成和实验数据上进行训练，作为横截面多普勒展宽 (DB) 的替代方案。本文探讨了使用物理信息神经网络的可能性，其中网络在物理上被正则化为从 Solbrig 内核推断的偏导数方程的解。学习过程通过使用从热到 2250 eV 能量范围内的 235U 的裂变、捕获和散射截面来演示
3. 信心很重要：通过分布转移检查深度神经网络中的后门（ arXiv )
作者 ： Tong Wang , Yuan Yao , Feng Xu , Miao Xu , Shengwei An , Ting Wang
抽象的 ： 后门攻击已被证明是对深度学习模型的严重安全威胁，检测给定模型是否被后门攻击成为一项至关重要的任务。现有的防御措施主要建立在后门触发器通常很小或仅影响少数神经元的激活的观察上。但是，在许多情况下，尤其是对于高级后门攻击，上述观察结果都被违反了，从而阻碍了现有防御措施的性能和适用性。在本文中，我们提出了一种基于新观察的后门防御 DTInspector。也就是说，有效的后门攻击通常需要对中毒的训练样本具有较高的预测置信度，以确保训练后的模型以高概率表现出目标行为。基于这一观察，DTInspector 首先学习一个可以改变大多数高置信度数据的预测的补丁，然后在将学习到的补丁应用于低置信度数据后，通过检查预测变化的比率来确定后门的存在。对五种后门攻击、四种数据集和三种高级攻击类型的广泛评估证明了所提出的防御措施的有效性。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
