深度神经网络的面部识别模型已显示出容易受到对抗例子的影响。但是，过去的许多攻击都要求对手使用梯度下降来解决输入依赖性优化问题，这使该攻击实时不切实际。这些对抗性示例也与攻击模型紧密耦合，并且在转移到不同模型方面并不那么成功。在这项工作中，我们提出了Reface，这是对基于对抗性转换网络（ATN）的面部识别模型的实时，高度转移的攻击。 ATNS模型对抗性示例生成是馈送前向神经网络。我们发现，纯U-NET ATN的白盒攻击成功率大大低于基于梯度的攻击，例如大型面部识别数据集中的PGD。因此，我们为ATN提出了一个新的架构，该架构缩小了这一差距，同时维持PGD的10000倍加速。此外，我们发现在给定的扰动幅度下，与PGD相比，我们的ATN对抗扰动在转移到新的面部识别模型方面更有效。 Reface攻击可以在转移攻击环境中成功欺骗商业面部识别服务，并将面部识别精度从AWS SearchFaces API和Azure Face验证准确性从91％降低到50.1％，从而将面部识别精度从82％降低到16.4％。
translated by 谷歌翻译
越来越多的工作表明，深层神经网络容易受到对抗例子的影响。这些采用适用于模型输入的小扰动的形式，这导致了错误的预测。不幸的是，大多数文献都集中在视觉上不可见量的扰动上，该扰动将应用于数字图像上，这些数字图像通常无法通过设计将其部署到物理目标上。我们提出了对抗性划痕：一种新颖的L0黑盒攻击，它采用图像中的划痕形式，并且比其他最先进的攻击具有更大的可部署性。对抗性划痕利用了b \'Ezier曲线，以减少搜索空间的维度，并可能将攻击限制为特定位置。我们在几种情况下测试了对抗划痕，包括公开可用的API和交通标志的图像。结果表明，我们的攻击通常比其他可部署的最先进方法更高的愚弄率更高，同时需要更少的查询并修改很少的像素。
translated by 谷歌翻译
在今天的数字世界语言技术中取得了重要性。已经开发了几种软件，并提供了计算语言学领域。此类工具在使古典语言文本容易访问的情况下起着至关重要的作用。一些印度哲学学校为言语认知的各种技巧做出了贡献，可以正确分析句子。这些理论可用于构建单词感应消歧（WSD）的计算工具。在没有WSD的情况下，人们不能有适当的口头认知。这些理论被认为是“日惹\ = a”（发光性或兼容性）的概念，作为口头认知的不可或缺的原因。在这项工作中，我们在这些理论的基础上提出了一些洞察力，以创建一个工具，该工具将捕获yogyat \ = a的单词。我们在文本中描述了模糊性的问题，并呈现了在yogyat \ = a的帮助下计算地解决它的方法。在这里，只考虑了两个主要学校，即纽约\ = aya和vy \ = akarana。我们的论文试图展示在该领域创建工具的含义。此外，我们的工具还涉及创建“Ontologal标签集”以及标记Lexicon的策略。本文还涵盖了消融的介绍性描述。这种策略和某些案例研究将形成纸质的核心。
translated by 谷歌翻译
本文介绍了称为“文本历史工具”的数字工具的其他方面。我们描述了其各种突出特征，特别参考其特征，可能有助于理智学家在文本上数字化评论和子评论。该工具通过各种时间级捕获文本的历史演进，以及从各种类型的相关文本中剔除的相互关联数据。我们使用k \ = a \'sik \ = avrtti（kv）的文本作为示例文本，并且在照相专家的帮助下，我们将评论数字化为我们提供的评论。我们将NY \ = ASA（NY）数字化，Padama \〜njar \ = i（PM）和子注释称为Tantraprad \ = IPA（TP）和Makaranda（MK）。我们将每次评论和子评论划分为功能单位，并描述了功能单元划分背后的方法和动机。基于使用在工具中输入的数据的距离方法，我们的功能单元部门有助于为文本生成更准确的系统发育树。
translated by 谷歌翻译
自动同源检测（ACD）是一个具有挑战性的任务，用于帮助像机器翻译，信息检索和计算系统发育等这样的NLP应用。身份不明的同源对可能对这些应用构成挑战并导致性能的退化。在本文中，我们检测到Hindi的十个印度语言中的同源词对，并使用深度学习方法来预测单词对是否是同源的。我们将IndowordNet识别为基于基于正交相似性的方法和使用从其所获得的数据的基于正交相似性的方法和列车神经网络模型来检测同源字对的潜在资源。我们将平行的Corpora标识为另一个潜在资源，并对它们进行相同的实验。我们还通过进一步的实验验证Wordnets的贡献，并报告高达26％的提高性能。我们讨论了与密切相关的印度语言中的同源检测的细微差别，并将检测到的同源名单作为数据集发布。我们还观察到的行为，在某种程度上不相关的印度语文对，并在其中释放检测到的同源名单。
translated by 谷歌翻译
同源存在于不同语言的同一文本的多种变体中（例如，德语“Hund”和“猎犬”中的英语意味着“狗”）。它们对各种自然语言处理（NLP）应用构成了挑战，例如机器翻译，交叉语音歧义，计算系统发育和信息检索。解决这一挑战的可能解决方案是识别跨语言对的同源。在本文中，我们描述了为十二个印度语言的两种同源数据集，即梵语，印地文，issamese，奥里亚，kannada，古吉拉蒂，泰米尔，泰卢固，旁遮普，孟加拉，马拉萨和马拉雅拉姆。我们将同源数据从印度语态语言字典数字化，并利用链接的印度语言Wordnets来生成同源集。此外，我们使用Wordnet数据来创建一个False Friends'DataSet for Eleven Language对。我们还使用以前可用的基线同源检测方法评估我们数据集的功效。我们还借助词汇表进行了手动评估，并通过本文释放策划的金标准数据集。
translated by 谷歌翻译
同源是不同语言的同一词汇形式的变体;例如，英语中的“Fonema”和英语中的“音素”是同源的，这两者都意味着'声音单位'。在任何两种语言中自动检测同源的任务可以帮助下游的NLP任务，例如交叉信息检索，计算系统发育和机器翻译。在本文中，我们展示了使用跨语言词嵌入来检测十四印度语言中的同源。我们的方法介绍了从知识图中使用上下文，以生成用于同源检测的改进的特征表示。然后，我们评估了我们对神经电机翻译（NMT）对神经电机翻译（NMT）的影响，作为下游任务。我们评估我们的方法，以检测十二个印度语言的具有挑战性的数据集的方法，即梵语，印地文，issamese，奥里亚，kannada，古吉拉蒂，泰米尔，Telugu，Punjabi，Bengali，Marathi和Malayalam。此外，我们为另外两种印度语言，Konkani和Nepali创建评估数据集。我们在F评分方面，观察到高达18％的分数，以获得同源检测。此外，我们观察到使用我们的方法提取的同源有助于提高NMT质量高达2.76 BLEU。我们还公开发布我们的代码，新建的数据集和交叉语言模型。
translated by 谷歌翻译
自动检测同源有助于机器翻译的下游NLP任务，交叉语言信息检索，计算系统发育和交叉命名实体识别。先前的同源检测任务方法使用正射，语音和语义相似度的特征集。在本文中，我们提出了一种富集特征集的新方法，从人类读者的凝视行为中提取了认知功能。我们收集凝视行为数据，了解一个同源的小样本，并表明提取的认知功能有助于证实检测的任务。但是，凝视数据收集和注释是一个昂贵的任务。我们使用收集的凝视行为数据来预测更大样本的认知功能，并显示预测的认知功能，也显着提高了任务性能。通过先前提出的方法，我们报告了收集的凝视特征的10％，12％使用预测的凝视特征。此外，我们与我们的代码和交叉语言模型一起释放收集的凝视行为数据。
translated by 谷歌翻译