机器人中的网络安全是一种新兴的主题，它已经获得了显着的牵引力。研究人员最近展示了网络攻击对机器人的一些潜力和影响。这意味着安全相关的不良后果导致人为的伤害，死亡或导致显着的诚信损失明确克服了古典IT世界的隐私问题。在网络安全研究中，使用漏洞数据库是一种非常可靠的工具，可负责揭示软件产品中的漏洞，并提高供应商的意愿来解决这些问题。在本文中，我们争辩说，现有的漏洞数据库的信息密度不足，并且在机器人中的漏洞中显示了一些偏见的内容。本文介绍了机器人漏洞数据库（RVD），该目录，用于机器人中的错误，弱点和漏洞的负责披露。本文旨在描述RVD后面的设计和过程以及相关的披露政策。此外，作者目前已经包含在RVD中的初步选择漏洞，并呼吁机器人和安全社区，以促进消除机器人中的零天漏洞的贡献。
translated by 谷歌翻译
机器人的不安全状态是在舞台上。有关于主要机器人脆弱性及其不利后果的新兴担忧。但是，机器人和网络安全域之间仍有相当大的差距。为了填补这种差距，目前的技术报告提供了机器人CTF（RCTF），一个在线游乐场，用于从任何浏览器中挑战机器人安全性。我们描述了RCTF的架构，并提供了9个方案，黑客可以挑战不同机器人设置的安全性。我们的工作使安全研究人员提供给a）本地复制虚拟机器人方案，b）将网络设置改为模拟真实机器人目标。我们倡导机器人中的黑客动力安全，并通过开放采购我们的场景贡献。
translated by 谷歌翻译
卫星图像构成了许多现实世界应用的高价和丰富的资源。但是，训练大多数机器学习模型所需的标签数据稀缺且难以获得。在这种情况下，当前的工作研究了一种完全无监督的方法，鉴于卫星图像的时间顺序，根据其语义属性及其随着时间的推移的进化而形成了地面的分区。图像序列被翻译成嵌入式瓷砖的多元时间序列的网格。这些瓷砖序列的嵌入和分区聚类以两个迭代步骤构造：在第一步中，嵌入能够根据地理位置邻域提取瓷砖序列的信息，将瓷砖分组为群集。在第二步中，通过使用簇定义的邻域来完善嵌入，并获得了瓷砖序列的最终聚类。我们通过进行纳瓦拉（Navarra）区域的20个卫星图像的序列（西班牙）的序列进行语义聚类来说明方法。结果表明，多元时间序列的聚类非常健壮，并且包含有关研究区域的信任时空语义信息。我们揭示了地理和嵌入式空间之间存在的紧密连接，并发现归因于这些类型的嵌入的语义属性被完全利用，甚至通过提议的时间序列的聚类来增强。
translated by 谷歌翻译
我们介绍时间有序的多体相互作用，以描述表现出时间的复杂系统以及多体依赖性。首先，我们展示了多元马尔可夫链的动态如何在时间有序的多体相互作用的集合中分解。然后，我们提出了一种算法来提取来自数据的组合交互和测量来表征交互集合的复杂性。最后，我们通过实验验证我们算法对统计错误的稳健性及其在获取简单交互集合时的效率。
translated by 谷歌翻译
随着神经体系结构搜索方法的发展，手动设计的深度神经网络（随着模型的复杂性升级）即使更快地升级 - 研究趋势朝着安排不同且通常越来越复杂的神经体系结构搜索空间的趋势。在这种结合中，可以有效探索这些搜索空间的描述算法可能会导致对当前使用的方法的重大改进，通常，这些方法随机选择结构变化操作员，希望能够获得性能增长。在本文中，我们研究了复杂域中不同变异算子的效果，即多网络异质神经模型的效果。这些模型具有结构的广泛而复杂的搜索空间，因为它们需要一般模型中的多个子网络，以便回答不同的输出类型。从该调查中，我们提取一组通用准则，其应用不限于该特定类型的模型，并且有助于确定架构优化方法可以找到最大改进的方向。为了推断一组准则，我们根据模型的复杂性和性能的影响来表征它们的变化操作员。这些模型依赖于各种指标，这些指标估算了组成它的不同部分的质量。
translated by 谷歌翻译