面向迁移学习中特征向量差异性的成员推理攻击

在以图像分类为目标任务的迁移学习场景下,针对攻击者能力和需求对应模型不一致的情况下攻击准确率较低的问题,提出面向特征向量差异性的成员推理攻击方案,构建阴影模型获取不同层次的特征向量,采用欧氏距离对不同特征向量之间的距离进行计算,提出阈值比较步骤对欧氏距离细化分类,并设计阈值选择策略。实验结果表明：在不访问教师模型的情况下,对教师模型实施成员推理攻击,所提攻击方案仍能实现较好的攻击性能。本文方案在Cats vs Dogs、Flowers102和CIFAR-100数据集上成员推理攻击准确率分别达到0.728、0.632和0.581,揭示了迁移学习场景下成员推理攻击的有效性。随着学生模型训练时冻结层数的增加,本文方案在Cats vs Dogs数据集上的攻击性能得到提升。     

基于数据驱动模型求解热传导反问题

热传导反问题求解在工程领域具有重要的应用价值.本文发展数据驱动模型识别了管道内壁几何形状和皮肤肿瘤生长参数等热传导反问题.在管道内壁几何形状识别问题中,首先采用随机生成模型结合有限元法求解热传导正问题,并采用有效导热系数转化的思想,建立机器学习模型,求解了测点温度与有效导热系数之间的抽象映射关系,进而实现管道内壁几何形...     

机器学习在设计高性能锂电池正极材料与电解质中的应用

随着大数据和人工智能的发展以及机器学习(ML)与化学学科领域的交叉,ML技术与电池领域的结合激发了更有前途的电池开发方法,尤其在电池材料设计、性能预测、结构优化等方面的应用愈加广泛。应用ML可以有效地加速电池材料的筛选进程并预测锂电池(LBs)的性能,从而推动LBs的发展。本文简要介绍了ML的基本思想及其在LBs领域中几种重要的ML算法,之后讨论了传统模拟计算方法与ML方法各自的误差表现及分析,借此来提高LBs专家对ML方法的理解。其次,重点介绍了ML在电池材料实际开发中的应用,包括正极材料、电解质、材料多尺度模拟及高通量实验(HTE)等方面,借此介绍ML方法在电池领域应用的思想和手段。最后,总结了ML方法在锂电池领域中的研究现状并展望了其应用前景。本综述旨在阐明ML在LBs开发中的应用,并为先进LBs的研究提供借鉴。     

机器学习方法用于建立乙酰胆碱酯酶抑制剂的分类模型

我们构建了表征乙酰胆碱酯酶抑制剂分子组成、电荷、拓扑、几何结构及物理化学性质等特征的1559个描述符,通过Fischer Score排序过滤和Monte Carlo模拟退火法相结合进行变量筛选得到37个描述符,然后分别用支持向量学习机(SVM)、人工神经网络(ANN)和k-近邻(k-NN)等机器学习方法建立了乙酰胆碱酯酶抑制剂的分类预测模型.对于训练集的515个样本,通过五重交叉验证,各机器学习方法对正样本,负样本和总样本的平均预测精度分别为87.3%-92.7%,67.0%-81.0%和79.4%-88.2%;通过y-scrambling方法验证SVM模型是否偶然相关,结果正样本,负样本和总样本的平均预测精度分别为72.7%-82.5%,41.0%-53.0%和62.1%-69.1%,明显低于实际所建模型的预测精度,表明所建模型不存在偶然相关;对172个没有参与建模的外部独立测试样本,各机器学习方法对正样本,负样本和总样本的预测精度分别为93.3%-100.0%,74.6%-89.6%和86.1%-95.9%.所建模型中,SVM模型预测精度最好,且明显高于其它文献报道结果.     

基于函数调用图的Android恶意代码检测方法研究

提出了一种基于函数调用图的 Android 程序特征提取及检测方法。该方法通过对 Android 程序进行反汇编得到函数调用图,在图谱理论基础上,结合函数调用图变换后提取出的图结构和提取算法,获取出具有一定抗干扰能力的程序行为特征。由于 Android 函数调用图能够较好地体现 Android 程序的功能模块、结构特征和语义。在此基础上,实现检测原型系统,通过对多个恶意 Android 程序分析和检测,完成了对该系统的实验验证。实验结果表明,利用该方法提取的特征能够有效对抗各类 Android 程序中的混淆变形技术,具有抗干扰能力强等特点,基于此特征的检测对恶意代码具有较好地识别能力。     

基于机器学习的烟雾检测算法去除固定干扰

烟雾是早期火灾最为突出的视觉表现,因此检测火灾烟雾在日常防火应用中具有重要的意义。针对目前视频烟雾检测算法中误报率高,适应性差等特点,在实施基本烟雾检测算法并在其基础上提出基于机器学习的视频烟雾去干扰方法,能很大程度上去除固定干扰物的干扰,提高了烟雾识别的正确率。实验证明,该算法可以较好、较快地检测出烟雾,并做出早期的预警工作,且具有检测精确等优点,很方便在现实中推广使用。     

结合机器学习算法提高从头算方法对HF/HBr/H35Cl/Na35Cl振动能谱的预测性能

高精度振动能谱蕴含着分子体系的大量量子特征,是人们认识和操控分子的重要基础数据.目前,从头算方法在计算分子的振动能谱方面取得了大量成果,但是仍然面临着精度和计算量上的挑战.本文提出了一种综合从头算方法与机器学习算法进行能谱预测的新方法,在提高振动能级精度的同时大幅降低了计算量.针对HF、HBr、H³⁵Cl和Na³⁵Cl等卤素分子的研究结果表明,相较于单独的CCSD(T)/cc-pV5Z计算方法,新方法将误差减少了50%以上,同时将计算量降低了一个数量级.     

基于空间填充准则的交叉验证方法及其应用

在统计学与机器学习中,交叉验证被广泛应用于评估模型的好坏.但交叉验证法的表现一般不稳定,因此评估时通常需要进行多次交叉验证并通过求均值以提高交叉验证算法的稳定性.文章提出了一种基于空间填充准则改进的k折交叉验证方法,它的思想是每一次划分的训练集和测试集均具有较好的均匀性.模拟结果表明,文章所提方法在五种分类模型(k近邻,决策树,随机森林,支持向量机和Adaboost)上对预测精度的估计均比普通k折交叉验证的高.将所提方法应用于骨质疏松实际数据分析中,根据对预测精度的估计选择了最优的模型进行骨质疏松患者的分类预测.