当系统的全面了解时然而，这种技术在灰盒设置中行动不成功，攻击者面部模板未知。在这项工作中，我们提出了一种具有新开发的目标函数的相似性的灰度逆势攻击（SGADV）技术。 SGAdv利用不同的评分来产生优化的对抗性实例，即基于相似性的对抗性攻击。这种技术适用于白盒和灰度箱攻击，针对使用不同分数确定真实或调用用户的身份验证系统。为了验证SGAdv的有效性，我们对LFW，Celeba和Celeba-HQ的面部数据集进行了广泛的实验，反对白盒和灰度箱设置的面部和洞察面的深脸识别模型。结果表明，所提出的方法显着优于灰色盒设置中的现有的对抗性攻击技术。因此，我们总结了开发对抗性示例的相似性基础方法可以令人满意地迎合去认证的灰度箱攻击场景。
translated by 谷歌翻译
在本文中，我们在拓扑数据分析和几何深度学习之间建立了一个桥梁，调整了群体模棱两可的非企业运算符（Geneos）的拓扑理论，以在所有图表的空间上作用于在顶点或边缘加权的所有图。这是通过展示Geneo的一般概念可以用于转换图形并提供有关其结构的信息来完成的。这就需要引入广义定义和广义定义措施的新概念以及这些概念使我们能够在图之间构建基因的数学证据。实验部分结束了本文，说明了我们的操作员可能使用从图形中提取信息。本文是一系列研究线的一部分，该研究致力于为几何深度学习开发基因诺的组成和几何理论。
translated by 谷歌翻译
量化广泛用于云和边缘系统，以减少深层神经网络的记忆占用，潜伏期和能耗。特别是，混合精液量化，即，在网络的不同部分中使用不同的位宽度，已被证明可以提供出色的效率提高，尤其是通过自动化神经体系结构确定的优化的位宽度分配，尤其是通过自动化的位宽度分配（NAS）工具。最先进的混合精液在层面上，即，它对每个网络层的权重和激活张量使用不同的位宽度。在这项工作中，我们扩大了搜索空间，提出了一种新颖的NA，该NAS独立选择每个重量张量通道的位宽度。这为工具提供了额外的灵活性，即仅针对与最有用的功能相关的权重分配更高的精度。在MLPERF微小的基准套件上进行测试，我们获得了精确度大小与精度与能量空间的帕累托最佳模型的丰富集合。当部署在MPIC RISC-V边缘处理器上时，我们的网络将记忆和能量分别减少了63％和27％，而与层的方法相比，以相同的精度为单位。
translated by 谷歌翻译
与液态燃料相比，电动汽车（EV）的广泛采用受到目前能量和功率密度低的电池的限制，并且会随着时间的推移而衰老和性能恶化。因此，在电动汽车生命周期内监视电池电量状态（SOC）和健康状况（SOH）是一个非常相关的问题。这项工作提出了一个电池数字双结构结构，旨在在运行时准确反映电池动力学。为了确保有关非线性现象的高度正确性，数字双胞胎依赖于在电池演化痕迹随时间训练的数据驱动模型中依靠：SOH模型，反复执行以估计最大电池容量的退化和SOC型号的降级，定期重新训练以反映衰老的影响。拟议的数字双结构将在公共数据集上举例说明，以激发其采用并证明其有效性，并具有很高的准确性和推理以及与车载执行兼容的时间。
translated by 谷歌翻译
最近，除了零星的情况外，计算机视觉的趋势是要在复杂性的大量增加方面取得较小的改进。为了扭转这种趋势，我们提出了一种新的方法来增强图像分类性能而不会增加复杂性。为此，我们重新审视了一种强大的方法，由于其复杂性和训练时间的增加，因此无法充分使用，因此可以通过特定的设计选择可行。首先，我们在数据的脱节数据（即装袋）上训练了两种端到端的两种高效网络B0型号（已知是图像分类中最佳的整体准确性/复杂性权衡的体系结构）。然后，我们通过对可训练的组合层进行微调来做出有效的自适应集合。通过这种方式，我们能够在准确性上平均胜过最先进的0.5 \％，并且在参数数量（乘以5-60次）和每次浮点操作方面的限制性复杂性和浮动点操作第二个主要基准数据集（第10-100次），完全拥抱绿色AI。
translated by 谷歌翻译
人类活动识别（HAR）已成为嵌入式设备（例如智能手表）越来越流行的任务。大多数用于超低功率设备的HAR系统基于经典机器学习（ML）模型，而深度学习（DL）虽然达到最先进的精度，但由于其高能量消耗而不太受欢迎，这构成对电池经营和资源约束的设备的重大挑战。在这项工作中，由于由决策树（DT）和一个维度卷积神经网络（1D CNN）组成的层次结构，我们弥合了设备HAR和DL之间的差距。这两个分类器以两种不同的子任务的方式运行：DT仅分类最简单的活动，而CNN则处理更复杂的活动。通过对最先进的数据集进行实验并针对单核RISC-V MCU，我们表明这种方法可节省高达67.7％的能源W.R.T. ISO准确性的“独立” DL架构。此外，两阶段系统要么引入可忽略不计的内存开销（最多200 b），要么相反，可以减少整体记忆职业。
translated by 谷歌翻译
流程数据可用性的兴起最近导致了数据驱动的学习方法的发展。但是，这些方法中的大多数限制了学习模型的使用来预测正在进行的过程执行的未来。本文的目的是向向前迈出一步，并利用可用的数据来学习采取行动，通过支持用户的最佳策略（绩效衡量）的建议。我们采用一个过程参与者的优化视角，我们建议下一步执行的最佳活动，以响应在复杂的外部环境中发生的事情，而外源性因素没有控制。为此，我们研究了一种通过强化学习来学习的方法，从观察过去的执行中学习的最佳政策，并建议开展最佳活动，以进行优化关键的兴趣指标。该方法的有效性在从现实生活数据中获取的两种情况下得到了证明。
translated by 谷歌翻译
人类思想的知识呈现了二元矢量/网络性质。作为矢量的建模词是自然语言处理的关键，而单词关联网络可以映射语义记忆的性质。我们通过引入具有丰富的多重词汇（FERMULEX）网络来调和跨语言学，心理学和计算机科学的这些范式 - 碎片化。这种新颖的框架合并网络和矢量特征中的结构相似之处，可以独立地组合或探索。相似之处模型语义/语法/语音方面的异构词关联。用多维特征嵌入的单词富集，包括频率，获取，长度和多义。这些方面使得前所未有的认知知识探索。通过童话数据，我们使用Fermulex网络在18至30个月之间将规范语言采集模拟1000个幼苗。相似之处和嵌入通过符合性捕获单一的妙语，通过距离和特征测量各种混合。符合性解除了频繁/多仪/短名词的语言内核和基本句子生产的动词密钥，支持最近在30个月内出现的儿童句法构建的证据。此内核对网络核心检测和特征群集是不可见的：它从单词的双向矢量/网络性质中出现。我们的定量分析揭示了早期学习中的两个关键策略。将单词获取作为随机散步在Fermulex拓扑上，我们突出了无统一填充交际发育库存（CDIS）。基于符合性的步行者可以准确（75％），精确（55％），并在CDIS中的早期学习的部分召回（34％）预测，为以前的实证发现和发育理论提供了定量支持。
translated by 谷歌翻译
虽然深入学习（DL）技术是解决映射到分类任务的网络问题的有前途的工具，但它们的计算复杂性仍然太高，而是相对于实时业务测量要求。为了降低DL推理成本，我们提出了一种新的缓存范例，我们命名为近似密钥缓存，这返回基于缓存的DL推断结果的所选输入的查找的近似结果。虽然近似缓存点击缓解DL推理工作负载并提高系统吞吐量，但是它们介绍了近似误差。因此，我们将近似密钥高速缓存以纠错原理算法，我们命名为Auto-Refresh。我们分析模拟了我们对经典LRU和理想高速缓存的缓存系统性能，我们对预期的绩效进行了跟踪驱动的评估，并比较了我们所提出的方法与最先进的相似性缓存的好处 - 作证我们提案的实际利益。
translated by 谷歌翻译
电报是全球最常用的即时消息传递应用之一。其成功之所以在于提供高隐私保护和社交网络，如频道 - 虚拟房间，其中只有管理员可以发布和广播到所有订户的消息。然而，这些相同的功能促成了边界活动的出现，并且与在线社交网络一样常见，假账户的沉重存在。通过引入频道的验证和诈骗标记，电报开始解决这些问题。不幸的是，问题远未解决。在这项工作中，我们通过收集35,382个不同的渠道和超过130,000,000消息来进行大规模分析电报。我们研究电报标记为验证或骗局的渠道，突出显示类比和差异。然后，我们转到未标记的频道。在这里，我们发现一些臭名昭着的活动也存在于虚拟网络的隐私保存服务，例如梳理，共享非法成人和版权保护内容。此外，我们还确定并分析了另外两种类型的渠道：克隆和假货。克隆是发布另一个频道确切内容的频道，以获得订阅者和促进服务。相反，假货是试图冒充名人或知名服务的渠道。即使是最先进的用户甚至很难确定。要自动检测假频道，我们提出了一种机器学习模型，可以以86％的准确性识别它们。最后，我们研究了Sabmyk，这是一种阴谋理论，即利用假货和克隆在达到超过1000万用户的平台上迅速传播。
translated by 谷歌翻译