在此上下文中研究了用于安全性的机器。存在几种垃圾邮件检测方法，每个垃圾邮件检测方法采用不同的算法来检测不期望的垃圾邮件。但这些模型容易受到攻击。许多攻击者通过以各种方式污染到模型的数据来利用模型。因此，在这种情况下，在这种情况下表现得可能需要在不需要再培训的情况下容易地解除污染数据。在大多数情况下，在大多数情况下，Retringing在过去已经训练到模型的大量数据，这需要再次训练，只需删除少量污染数据，这通常明显小于1％。通过开发所有垃圾邮件检测模型的未读框架可以解决这个问题。在本研究中，无线学习模块集成到基于天真贝叶斯，决策树和随机林算法的垃圾邮件检测模型中。为了评估未经读回的未经读取的好处，通过攻击者的职位和证明模型的漏洞，污染和利用了三种垃圾邮件检测模型。每种情况都显示了准确性和真正阳性率的降低，显示出污染对模型的影响。然后，未经读取的模块集成到模型中，并且污染数据是未解决的;在无线学习后测试模型，可以看到恢复性能。此外，对所有模型的不同污染数据尺寸进行了比较无线学习和再培训时间。在分析调查结果时，可以得出结论，无线学习与再培训相当优于。结果表明，无光，易于实施，易于实施，易于使用，有效。
translated by 谷歌翻译
大多数深度学习模型的诊断性能受到模型架构及其普遍参数的影响很大。模型选择方法中的主要挑战是建筑优化器和模型评估策略的设计。在本文中，我们提出了一种进化深神经网络的新颖框架，它使用政策梯度来指导DNN架构的演变实现最大诊断准确性。我们制定了一个基于策略梯度的控制器，它会生成一个动作，以在每一代采样新模型架构。获得的最佳健身用作更新策略参数的奖励。此外，所获得的最佳模型被转移到NSGA-II进化框架中的快速模型评估的下一代。因此，该算法获得了快速非主导排序的好处以及快速模型评估。拟议框架的有效性已在三个数据集中验证：空气压缩机数据集，案例西部储备大学数据集和戴克邦大学数据集。
translated by 谷歌翻译
对象识别和视点估计位于视觉理解的核心。最近的作品表明，卷积神经网络（CNNS）未能概括为分发（OOD）类别 - 观点组合，即。在训练期间没有看到的组合。在本文中，我们通过评估培训的CNNS来调查何时以及如何以及如何以及如何进行分类对象类别和3D观点，并识别有助于这种ood泛化的神经机制。我们表明，增加了分布式组合的数量（即数据分集），即使具有相同数量的培训数据，也会大大提高了oo ood组合的概率。我们比较学习类别和观点在单独的和共享网络架构中，并观察分销和ood组合的显着不同趋势，即。虽然共享网络有用的分配有用，但单独的网络在ood组合中显着优于共享的网络。最后，我们证明，通过专业化的神经机制，即。两种类型神经元的出现 - 神经元选择类别和不变性观点，反之亦然。
translated by 谷歌翻译