一种基于数据复杂度的投毒数据检测方法

针对机器学习模型训练过程中攻击者可以利用修改原始训练数据生成投毒数据的方式对机器学习模型进行投毒攻击的问题,提出一种基于数据复杂度的投毒数据检测方法。该方法在正常数据集的基础上,应用梯度上升策略对正常数据集内的样本实例进行自我投毒,通过挖掘自我投毒产生的投毒数据对正常数据集数据复杂度的影响,训练能够辨别投毒数据的检测模型。该方法在选定的应用场景中的检测准确率比现有方法有更好的效果。实验结果表明,投毒数据能够有效降低机器学习模型预测能力,应用基于数据复杂度的检测方法能够有效检测投毒数据,降低投毒数据对模型预测能力的不良影响。     

中厚板的反挤凸柱成形规律

运用有限元软件DEFORM-3D对5 mm厚的20钢中厚板进行了反挤凸柱成形模拟研究,对比分析了封闭式模腔、全开式模腔、半开式模腔挤压成形时材料的变形特点。研究揭示了3种成形方式下金属的流动规律、等效应力及等效应变的分布、载荷与行程的关系,从而可根据成形载荷、凸柱高度与凸凹模行程的关系来合理选择模腔形式。进而研究了凸凹模圆角半径、凸柱直径与坯料初始直径之比d/D、凸凹模下行速度等因素对于各挤压方式下凸柱高度的影响。最后,选取半开式模腔成形凸柱进行实验,实验结果和有限元模拟结果符合较好,验证了有限元模拟的准确性。