【摘 要】
：
近些年来,随着人工智能的快速发展,深度学习（Deep Learning）中的计算机视觉（Computer Vision,CV）,自然语言处理（Natural Language Processing,NLP）等领域发展迅速,一些深度学习模型在目标检测,图像分割,推荐系统等方面具有强大的应用能力。在带来重大的社会经济效益的同时,大量研究表明,深度学习容易受到对抗样本（Adversarial Examp
论文部分内容阅读
近些年来,随着人工智能的快速发展,深度学习（Deep Learning）中的计算机视觉（Computer Vision,CV）,自然语言处理（Natural Language Processing,NLP）等领域发展迅速,一些深度学习模型在目标检测,图像分割,推荐系统等方面具有强大的应用能力。在带来重大的社会经济效益的同时,大量研究表明,深度学习容易受到对抗样本（Adversarial Examples）的攻击影响,这使得模型的鲁棒性很差。与此同时,图神经网络（Graph Neural Networks,GNNs）在处理非欧式空间的图结构数据中表现出异乎寻常的学习效果,越来越多的研究工作者在这一领域深入研究。然而,最近的一些研究工作表明图神经网络也易受到对抗样本攻击的影响,即一个攻击者能够轻微的扰乱图结构来使得图神经网络模型性能下降。目前存在的一些图神经网络对抗攻击有如下一些缺点:大多数攻击仅限于两层图神经网络;攻击的效率一般不高,需要耗费大量时间;攻击者需要知道模型具体参数情况。基于上述的一些对抗攻击方式的局限性,本文提出一种基于影响函数的图神经网络逃逸（Evasion）攻击方法,具体来说,本文首先介绍影响函数（Influence Function）,包括特征影响（Feature Influence）和标签影响（Label Influence）,分别对应图神经网络和标签传播（Label Propagation）,然后在影响关系层面,从数学上建立两者之间的近似等价关系。接着,本文重定义了图神经网络逃逸攻击的目标函数,以使得通过标签传播方式来计算标签影响,其中标签传播过程相对于图神经网络而言是不需要参数的。同时,本文也提出了一种高效快速的计算标签影响的方法。最后,在公开的三种数据集上去对比测试其他的攻击方法,实验结果表明,本文的攻击方法与表现效果最好的攻击方法相比具有可比性,并且攻击效率有了5-50倍的提升。同时,本文的攻击方法还可以有效的攻击多层GNN,并且具有可迁移性。
其他文献
正交时频空（Orthogonal Time Frequency Space,OTFS）调制技术被认为是适合高移动性场景的热门技术之一,索引调制（Index Modulation,IM）也因其性能优势得到广泛关注。为了解决索引调制 OTFS（Orthogonal Time Frequency Space with index modulation,OTFS-IM）系统中的信号检测问题,本文基于消息传
极化码是一种被理论证明可以达到信道容量的信道编码方法,一经提出就受到学术界及工业界的广泛关注,并已成为5G增强移动宽带（enhanced Mobile Broadband,e MBB）场景下的控制信道编码方案。本文在对极化码的连续相消列表（Successive Cancellation List,SCL）译码算法仿真分析的基础上,对该译码算法进行FPGA实现,并将其进一步封装为AXI（Advanc
随着我国铁路运营里程的不断增加以及列车运行速度的逐步提升,铁路的运营安全越来越受到国家相关部门的关注。当前,铁路信息采集系统主要通过在铁路沿线预先布置大量传感器对轨道设施运行状态进行监测,从而减小安全事故的发生风险。然而,现有铁路巡检系统存在高成本、难部署、难维护等问题,这制约了铁路系统运维效率的进一步提升。因此,本文提出了结合背向散射通信技术和高机动性无人机硬件平台的铁路信息采集系统。该系统基于
空天海地一体化信息网络建设对高速水声通信需求迫切。现有水声通信技术受制于传输距离×数据速率≤100 km·bps的性能瓶颈,远不能满足应用需求,高速水声通信理论与方法亟待发展。差分正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术因能有效避免对信道信息的强依赖性,从而大幅减少信道估计占用的时频资源,为破解上述速率瓶颈提供了极具潜力的解
减阻降噪作为近年来的热点问题之一,在水下航行器的研制过程中显得尤为重要。水下航行器上的凸出结构在其运动时,会产生钝体绕流,这不仅会增加其航行时的阻力,同时也会产生流噪声,不但限制了水下航行器的速度,也降低了其隐蔽性。因此,如何有效的减小阻力、控制噪声便成为一个研究热点。首先,本文以三维翼型圆柱绕流为基础,基于Lighthill声类比和大涡模拟验证了本文初始模型数值模拟方法的正确性。通过划分三套流场
海洋是人类生存与发展的重要战略空间,成为世界各国竞争的主战场。作为探索海洋的利器,潜航器广泛应用于海洋资源开发、海底地貌勘探和水下军事对抗等海洋活动。为实现潜航器安全航行与自主探测,路径规划至关重要。然而,相较于地面环境,在复杂恶劣的水下为潜航器规划安全路径极为挑战,其中最突出的是水流对路径规划影响重大。具体而言,水流不仅阻碍潜航器运动,还会促使水下障碍物移动。为此,本文致力于设计适配水下环境特性
用户接入设备和网络流量的快速增长给运营商带来了极大压力。为了满足用户需求多样化,网络切片（Network Slicing,NS）技术应运而生。相较于传统网络只能满足单一业务需求,网络切片允许在一个物理网络中搭建多个子逻辑网络来满足不同业务的需求,这多个子逻辑网络间的资源分配与管理问题是网络切片中的难点。本文提出了基于深度强化学习（Deep Reinforcement Learning,DRL）的网
随着“双碳”目标的提出和可再生能源比例的不断提升，能源行业在实现清洁能源消纳方面面临着诸多挑战，尤其是电力波动性问题的加剧。构建氢能源体系被认为是解决这些难题的有效路径之一。本文围绕着新型能源结构下的消纳措施，研究了适用于可再生能源基地发电并网场景的大规模电氢协同系统，并提出了集风-光-储-氢-氨一体化思路，旨在实现高比例清洁能源消纳及电-氢-氨系统的高效耦合。