基于图像云模型语义标注的条件生成对抗网络

在图像补全技术中,当图像丢失较多信息时,仅凭自身已有的信息很难补全图像.因此,文中使用条件生成对抗网络(CGAN)和多粒度认知相结合的方式研究图像的降噪和补全.首先借助云模型中高斯云变换算法提取无标签图像的多层语义信息,并根据不同层次的语义信息对图像进行不同粒度的分割,同时对已分割图像进行自动语义标注.然后将各粒层图像和其对应的语义信息分别作为CGAN的训练数据,得到图像生成对抗网络模型.最后依据此模型补全图像的缺失信息.实验表明,对于Caltech-UCSD Birds和Oxford-102flowers数据集的图像降噪和图像补全,文中算法取得较好效果.     

不完全信息博弈的机器人对抗决策

针对机器人比赛时局势的动态变化给机器人对抗决策博弈局面带来的不完全性问题,提出了豪尔绍尼转换和贝叶斯均衡相融合的不完全信息博弈算法,该算法克服了博弈局势中对未知信息的盲目"猜测".以机器人足球比赛时的数据为背景建立不完全信息博弈模型,研究机器人的决策对抗系统.仿真结果表明,不完全信息博弈算法可以使得机器人进行较优策略的选择,从而进一步提高机器人在比赛中的自主性和智能性.     

使用条件生成对抗网络减少机器人远程手术中延迟的影响

手术机器人的引入给外科手术带来了明显的进步,使远程手术成为可能,从而惠及更多医疗条件受限的地区。然而,在手术中,医生的输入与机器人执行的动作之间任何微小的延迟都可能严重伤害病人,在某些情况下甚至会导致死亡。来自佛罗里达大西洋大学机器感知和认知机器人实验室的四位研究人员Neil Sachdeva、Misha Klopukh、Rachel St.Clair和William Edward Hahn试图通过使用条件生成对抗网络解决这一问题。     

基于对抗采样的社交推荐算法

推荐系统利用用户的历史记录、物品的基础信息等数据进行建模来捕获用户的偏好,有效缓解了信息过载等问题,虽然其已应用广泛,但整个推荐领域面临的挑战却依旧存在,其中数据稀疏这一问题对于推荐性能有举足轻重的影响。近年来,大量研究表明基于社交信息的推荐算法能够有效缓解数据稀疏问题,但它们也仍然存在一定的局限。线上的社交网络是非常稀疏的,并且线上社交网络中的“朋友”通常包括同学、同事、亲戚等,因此,拥有显式朋友关系的用户不一定拥有相似的偏好,即直接利用显式朋友的兴趣偏好进行推荐会存在噪声问题。此外,大部分基于隐式反馈的算法通常直接对用户没有交互过的物品进行随机采样,然后将其作为用户实际交互过的物品的负样本来优化模型,然而用户没有交互过的物品并不代表用户不喜欢,这种粗粒度的采样策略忽略了用户的真实偏好,同样也带来了一定程度的噪声。生成对抗网络（GANs）因其在训练中捕获复杂数据分布的能力以及强大的鲁棒性被广泛应用到推荐系统中,为了减弱上述噪声问题带来的影响,本文基于生成对抗网络提出了一种细粒度的对抗采样推荐模型（ASGAN）,包括一个生成器和判别器。其中,生成器首先利用图表示学习技术初始化社交网络,接着为用户生成一个与其偏好相似的朋友,然后再从该朋友喜欢的物品集中同时生成该用户喜欢的物品和用户不喜欢的物品。判别器则尽可能区分出用户实际交互过的物品和生成器生成的两类物品。随着对抗训练的进行,生成器能更有效地进行社交朋友采样和物品采样,而判别器能够良好地捕获用户的真实偏好分布。最后,在三个公开的真实数据集上与现有的六个工作进行对比,实验结果证明：ASGAN拥有更好的推荐性能,通过重构社交网络和细粒度采样有效缓解了社交信息和物品采样策略带来的噪声问题。     

基于决策的目标检测器黑盒对抗攻击方法

深度神经网络在目标检测领域有大量的应用已经落地,然而由于深度神经网络本身存在不可解释性等技术上的不足,导致其容易受到外界的干扰而失效,充分研究对抗攻击方法有助于挖掘深度神经网络易失效的原因以提升其鲁棒性。目前大多数对抗攻击方法都需要使用模型的梯度信息或模型输出的置信度信息,而工业界应用的目标检测器通常不会完全公开其内部信息和置信度信息,导致现有的白盒攻击方法不再适用。为了提升工业目标检测器的鲁棒性,提出一种基于决策的目标检测器黑盒对抗攻击方法,其特点是不需要使用模型的梯度信息和置信度信息,仅利用目标检测器输出的检测框位置信息,策略是从使目标检测器定位错误的角度进行攻击,通过沿着对抗边界进行迭代搜索的方法寻找最优对抗样本从而实现高效的攻击。实验结果表明所提出的方法使典型目标检测器Faster R-CNN在VOC2012数据集上的mAR从0.636降低到0.131,mAP从0.801降低到0.071,有效降低了目标检测器的检测能力,成功实现了针对目标检测器的黑盒攻击。     

基于条件对抗生成网络的对抗样本防御方法

人工智能目前在诸多领域均得到较好应用,然而通过对抗样本会使神经网络模型输出错误的分类。研究提升神经网络模型鲁棒性的同时如何兼顾算法运行效率,对于深度学习在现实中的落地使用意义重大。针对上述问题,本文提出一种基于条件对抗生成网络的对抗样本防御方法Defense-CGAN。首先使用对抗生成网络生成器根据输入噪声与标签信息生成重构图像,然后计算重构前后图像均方误差,对比选取重构图像馈送到分类器进行分类从而去除对抗性扰动,实现对抗样本防御,最后,在MNIST数据集上进行大量实验。实验结果表明本文提出的防御方法更加具备通用性,能够防御多种对抗攻击,且时间消耗低,可应用于对时间要求极其苛刻的实际场景中。     

基于主动风险防御机制的多机器人强化学习协同对抗策略

深度强化学习因其在多机器人系统中的高效表现,已经成为多机器人领域的研究热点.然而,当遭遇连续时变、风险未知的非结构场景时,传统方法暴露出风险防御能力差、系统安全性能脆弱的问题,未知风险将以对抗攻击的形式给多机器人的状态空间带来非线性入侵.针对这一问题,提出一种基于主动风险防御机制的多机器人强化学习方法(APMARL).首先,基于局部可观察马尔可夫博弈模型,建立多机记忆池共享的风险判别机制,通过构建风险状态指数提前预测当前行为的安全性,并根据风险预测结果自适应执行与之匹配的风险处理模式;特别地,针对有风险侵入的非安全状态,提出基于增强型注意力机制的Actor-Critic主动防御网络架构,实现对重点信息的分级增强和危险信息的有效防御.最后,通过广泛的多机协作对抗任务实验表明,具有主动风险防御机制的强化学习策略可以有效降低敌对信息的入侵风险,提高多机器人协同对抗任务的执行效率,增强策略的稳定性和安全性.     

社交机器人对社会舆论的影响因素研究

近年来,社交机器人已经成为人工智能领域的一个最新的研究方向。由于新冠疫情、俄乌冲突、英国脱欧等一系列重大事件中,社交机器人对公众舆论产生了重要影响,学界对社交机器人的关注度日渐升高。本文提出了基于社交机器人的社会舆论形成过程模型,分为舆论出现、争夺影响力、舆论形成3个阶段,社交机器人可以在3个阶段介入和影响。研究了社交机器人的级联效应、工作原理、影响因素,指出媒体类型、事件模糊性和争议性、受众群体等均是影响社会舆论的主要因素。调查问卷实验与案例分析表明：社交机器人对信息传播速度、网民意见/倾向的形成等具有显著影响,实验数据对今后研究具有重要参考意义。     

一种通用防御物理空间补丁对抗攻击方法

目标检测算法具有优异的性能,在工业上已经得到广泛应用。然而,最近研究表明目标检测算法容易遭受对抗攻击,对抗样本会使得模型的性能大幅下降。攻击者在数字空间中在图片上贴一个对抗补丁,或者在物理空间中手持一张打印的对抗补丁,都可以使得待检测的对象从目标检测器中“消失”。补丁对抗攻击在物理空间中可以攻击自动驾驶汽车和躲避智能摄像头,对深度学习模型的应用造成了重大安全隐患。在物理空间中攻击目标检测器的对抗补丁具有鲜明特点,它们色彩鲜艳、变化剧烈,因此包含大量高频信息。基于这个特点,我们提出了一种遮罩防御方法。我们先把待检测的图片分割成若干个像素块,再用快速傅里叶变换和二值化处理求这些像素块中高频信息的含量,依次对含有较多高频信息的像素块使用遮罩,最后用目标检测器验证。此防御方法能够在物理空间中快速定位补丁的位置并破坏补丁的攻击效果,使得目标检测器可以检测到被攻击者隐藏的对象。本方法与模型无关,也和生成对抗补丁的方法无关,能够通用防御物理空间中的补丁对抗攻击。我们在物理空间中使用了两个应用广泛的目标检测器做防御补丁对抗攻击实验,在三个数据集中都能以超过94%的防御成功率防御攻击,比对比方法中最好的高出6%,实验结果证明了我们的方法的有效性。     

基于自适应攻击强度的对抗训练方法

深度神经网络（DNN）易受对抗样本攻击的特性引发了人们对人工智能系统安全性和可靠性的重大关切,其中对抗训练是增强对抗鲁棒性的一种有效方式。针对现有方法使用固定的对抗样本生成策略但存在忽视对抗样本生成阶段对对抗训练重要性的问题,提出一种基于自适应攻击强度的对抗训练方法。首先,将干净样本和对抗样本输入模型得到输出;然后,计算干净样本和对抗样本模型输出的差异;最后,衡量该差异与上一时刻差异的变化情况,并自动调整对抗样本强度。对三个基准数据集的全面实验结果表明,相较于基准方法投影梯度下降的对抗训练（PGD-AT）,该方法在三个基准数据集的AA(AutoAttack)攻击下鲁棒精度分别提升1.92、1.50和3.35个百分点,且所提出方法在鲁棒性和自然准确率方面优于最先进的防御方法可学习攻击策略的对抗训练（LAS-AT）。此外,从数据增强角度看,该方法可以有效解决对抗训练这种特殊数据增强方式中增广效果随训练进展会不断下降的问题。     

互联网舆情监测、预警和引导技术

互联网舆情作为网络空间认知域的重要研究方向,已成为影响社会持续有序发展、维护国家安全和稳定的重要因素。在对现阶段舆情信息监测技术进行深入研究的基础上,分析了国内技术水平的差距,结合互联网空间认知域的分级预警和信息引导技术,提出了一个完整的舆情管控体系,融合了舆情的监测、预警和引导手段,达到化解公共危机和挫败恐怖分子破坏社会安定的目的。     

刍议网络舆情的处理

随着网络的普及,网络逐渐成为公众发表言论重要通道,是民意表达的重要场所的,加强网上舆情引导,是新时期公安机关处置网络突发事件的关键。本文介绍了网络舆情的特点,并介绍了其形成方式与不当处理后可能会导致的危害,然后说明了政府机关在对待网络舆情中应该扮演的角色,最后总结出一些处理网络舆情事件时带有共性的方法。     

基于区块链技术的在线社会网络舆情传播模型与干预治理

区块链的快速发展和普及,为网络社会网络舆情的传播提供了便捷的平台,这使得网络舆情逐渐成为人民群众最活跃的反映方式。当网络舆情涉及社会热点等问题时,会引起网民的快速关注,甚至引发突发事件和连锁反应,考察政府的治理干预能力,甚至对国家社会安全和稳定构成紧张。本文根据网络舆情传播的特点,从个体行为和群体社会强化两个方面揭示网络舆情传播的规律,并进一步从干预网络负面舆情和最大化网络正面和情感影响两个方面构建干预和引导模式,从而全面、系统地分析基于区块链技术的在线网络社会的网络舆情传播和干预,为政府应对网络舆情传播提供有效的理论指导。     

基于Moran过程的竞争性舆情信息的网络传播博弈模型

新的媒体环境下,在享受不同形式在线社交网络提供便捷信息互动渠道的同时,需要加强对信息传播的管理与引导,防止其发展成为负面舆情信息肆意滋生的温床。结合传统演化博弈论与复杂网络理论,提出了竞争性舆情信息的网络传播博弈模型,并理论分析了正面舆情信息传播占优的收益条件及群体规模;随后,结合实际案例,通过仿真实验对比分析三种博弈环境下网络舆情的演化特征。三种博弈环境下,正面舆情信息传播策略占优条件均与收益有关,弱选择情境对收益参数的要求最为严格;强、弱选择情景下策略占优的条件还与群体规模有关,且强选择情景对群体规模的要求更为严格。     

不良舆情话题在传播节点网络模型的演化规律研究

不良网络舆情是网络时代的一种重要舆论形态,反映了公众对突发事件的情绪表达,具有很强的社会影响力,需要及时处置和正确引导。本文分析了突发事件网络舆情的演化动力和影响因素,对不同阶段的舆情传播演化规律进行研究,并同步构建了网络舆情的传播模型,从而为做好舆情防控工作提供参考。     

基于正负反馈的SEIR微博舆情传播模型

社交网络舆情已经成为社会舆情的主要阵地。针对传统模型难以描述社交网络舆情话题的真实传播过程,分析社交网络舆情话题的真实特点,补充加入社交网络中显著的水军和僵尸粉这2大显著特征,作为舆情话题传播中的正负反馈,分别对舆情话题的传播起到推动及抑制作用,构建带有正负反馈的社交网络舆情传播话题模型,提高舆情预测模型的准确率,得出正负反馈对舆情传播的影响力。     

G(Galam)模型在网络舆情演化中的应用

网络舆情的互动性、多元性、衍生性等特点,使得对网络舆情演化的分析相当复杂。首先,剖析网络舆情的来源、内容、传播和影响的特征,进而引入G (Galam)模型,并将其运用于网络舆情演化过程的研究中。通过实验分析,得出网络舆情的演化最终极化方向存在一定的规律性和可控性。通过干预公众个体间的交流和影响公众的公共偏好,可以引导网络舆情的最终演化方向。     

一种搜索引擎日志分析的网络舆情监测探究

近几年来,随着互联网信息技术的不断发展,电脑已得到广泛普及.而网民逐渐开始应用网络论坛、博客、微博纷纷对社会事务发表看法,由此而形成网络舆情,已成为社会舆情的重要表现形式.由于网络舆情具有传播速度快、范围广且突发的特点,加强其监测已受到政府部门的重视.本文特提出一种搜索引擎日志分析的网络舆情监测方法,以望对后期网络舆情监测工作提供参考借鉴.     

基于SCIR的微博舆情话题传播模型研究

微博是舆情话题传播的重要渠道,研究微博网络中的舆情话题传播机制,将有利于对舆情话题的传播过程进行分析与监控,而传统的网络信息传播模型却无法真实地描述微博网络中的舆情话题传播机制。针对以上问题,分析了微博网络中的信息互动模式及舆情话题的传播特点,以传染病动力学中的SIR模型为基础,通过引入一个新的节点状态--接触状态,构建了基于SCIR（Susceptible Contacted Infected Removed）的微博网络舆情话题传播模型。仿真结果表明,该模型可以很好地描述微博网络中的舆情话题传播规律。     

基于两级传播理论的舆论超网络传播分析

社交网络挖掘可以使人们更好地认识信息在网络中的传播规律,分析信息在事件中的传播特点。现有的文献研究主要集中于舆论事件社交网络的静态建模,以及针对一些共性特点的仿真验证,而对舆论事件模型结构变化的讨论较少。本文尝试从两级传播理论出发,采用三层超网络结构对舆论事件不同时段构建传播分析模型,给出舆论演化分析度量指标,挖掘超网络结构变化的特点,探索舆论酝酿期积蓄力量的潜在因素。以长生疫苗事件进行分析,发现需要在酝酿期有多样化的意见领袖不断在各个话题中进行牵引,在积累了潜在的舆论人群之后才能促成舆论爆发。