智能系统全生命周期安全测试理论与方法

人工智能技术在公共、国防安全领域得到了广泛应用,然而智能系统的安全性面临极大挑战。如何有效、全面、深入地对智能系统进行安全测试成为解决当前智能系统安全问题的重要途径。近年来,国内外高度重视智能系统的安全性问题,开展了大量的安全测试理论方法研究并出台了大量相关政策文件。针对智能系统面临的安全问题,本文详细阐述了面向智能系统全生命周期的安全测试理论与方法。首先,本文说明了智能系统的特点、安全内涵及安全机理;接着,本文结合模型训练、模型推理、模型部署三个主要生命周期阶段,详细地阐述了智能系统面临的安全性挑战和测试理论方法;最后,本文从标准、平台等角度阐明了构建智能系统安全测试支撑体系的方式,分析了自动驾驶典型场景下的智能系统安全测试案例,并给出了未来展望。开展智能系统安全测试理论和方法体系的建设,可有效规避系统潜在风险和质量缺陷,是实现人工智能算法可解释、可信赖的基本路径,对于确保人工智能技术安全、可靠、可控具有重要意义。     

离子交换纤维RPFC-Ⅰ用于吸附氨气的研究

以腈纶纤维作为基体合成了离子交换纤维RPFC-Ⅰ,并考察了RPFC-Ⅰ对氨气的吸附净化性能及其影响因素.结果表明,环境体系中氨气的浓度、吸收时间等条件对该纤维吸附氨气效果具有很大的影响.RPFC-Ⅰ纤维对氨气具有良好的吸附选择性和较高的吸附容量,因此在实际应用中有望成为良好的吸附净化氨气材料.     

面向深度强化学习的对抗攻防综述

深度强化学习技术以一种端到端学习的通用形式融合了深度学习的感知能力与强化学习的决策能力,在多个领域得到了广泛应用,形成了人工智能领域的研究热点.然而,由于对抗样本等攻击技术的出现,深度强化学习暴露出巨大的安全隐患.例如,通过在真实世界中打印出对抗贴纸便可以轻松地使基于深度强化学习的智能系统做出错误的决策,造成严重的损失.基于此,本文对深度强化学习领域对抗攻防技术的前沿研究进行了全面的综述,旨在把握整个领域的研究进展与方向,进一步推动深度强化学习对抗攻防技术的长足发展,助力其应用安全可靠.结合马尔科夫决策过程中可被扰动的空间,本文首先从基于状态、基于奖励以及基于动作角度的详细阐述了深度强化学习对抗攻击的进展;其次,通过与经典对抗防御算法体系进行对齐,本文从对抗训练、对抗检测、可证明鲁棒性和鲁棒学习的角度归纳总结了深度强化学习领域的对抗防御技术;最后,本文从基于对抗攻击的深度强化学习机理理解与模型增强的角度分析了对抗样本在强化学习领域的应用并讨论了领域内的挑战和未解决问题.     

弱酸性离子交换纤维吸附水中的氨和有机胺的研究

利用自制的弱酸性离子交换纤维对水中的氨和5种有机胺进行了吸附实验研究。结果表明，该纤维材料对氨和有机胺具有明显的吸附效果。吸附后纤维有明显的增重，而且发现，吸附目标物的分子尺寸越大，通常其吸附量越小。力学性能测试表明，纤维的断裂力与吸附目标物的分子结构有关系。红外光谱测试表明，纤维的化学结构在吸附后发生了明显的变化，说明氨和有机胺与纤维之间发生的是化学吸附。