- Глубокие нейронные сети для быстрого получения трехмерных полей давления и скорости потока в аорте (arXiv)
Автор:Эндрит Паязити, Хавьер Монталь-Тордера, Клаудио Капелли, Рафаэль Сивера, Эмили Соваж, Сильвия Скьевано, Вивек Мутурангу
Аннотация:Вычислительную гидродинамику (CFD) можно использовать для моделирования сосудистой гемодинамики и анализа возможных вариантов лечения. CFD показала свою эффективность в улучшении результатов лечения пациентов. Однако внедрение CFD для рутинного клинического использования еще предстоит реализовать. Препятствиями для CFD являются высокие вычислительные ресурсы, опыт специалистов, необходимый для проектирования установок моделирования, и длительное время обработки. Целью этого исследования было изучить использование машинного обучения (ML) для воспроизведения обычного CFD аорты с автоматическими и быстрыми регрессионными моделями. Данные, использованные для обучения/тестирования модели, состояли из 3000 симуляций CFD, выполненных на синтетически созданных трехмерных формах аорты. Эти субъекты были созданы из статистической модели формы (SSM), построенной на реальных аортах конкретного пациента (N = 67). Вывод, выполненный на 200 тестовых формах, привел к средним ошибкам 6,01% +/-3,12 SD и 3,99% +/-0,93 SD для давления и скорости соответственно. Наши модели на основе ML выполнили CFD примерно за 0,075 секунды (в 4000 раз быстрее, чем решатель). Это исследование показывает, что результаты обычного CFD сосудов могут быть воспроизведены с использованием машинного обучения гораздо быстрее, в автоматическом процессе и с высокой точностью.
2. Устойчивая к возмущениям система преобразования и классификации для глубоких нейронных сетей (arXiv)
Автор:Натаниэль Дин, Дилип Саркар
Аннотация . Глубокие сверточные нейронные сети точно классифицируют разнообразные естественные изображения, но их легко обмануть, если в изображения встроены незаметные возмущения. В этой статье мы разрабатываем многоаспектную систему обучения, преобразования входных данных и ансамбля изображений, которая не зависит от атаки и ее нелегко оценить. Наша система включает в себя две новые функции. Первый — это уровень преобразования, который вычисляет полиномиальные ядра на уровне признаков из выборок обучающих данных на уровне классов и итеративно обновляет копии входных изображений во время вывода на основе различий их ядер признаков для создания ансамбля преобразованных входных данных. Вторая — это система классификации, которая включает предсказание незащищенной сети с жестким голосованием по ансамблю отфильтрованных изображений. Наши оценки набора данных CIFAR10 показывают, что наша система повышает устойчивость незащищенной сети к различным ограниченным и неограниченным атакам белого ящика при различных показателях расстояния, при этом немного жертвуя точностью на чистых изображениях. В противовес адаптивным злоумышленникам с полным набором знаний, создающим сквозные атаки, наша система успешно увеличивает существующую надежность сетей, обученных со стороны злоумышленников, для которых наши методы применяются наиболее эффективно.
3. О дизайне камер, обеспечивающих конфиденциальность: исследование глубоких нейронных сетей (arXiv)
Автор: Марсела Карвалью, Уссама Эннаффи, Шато Сильвен, Сами Айт Башир
Аннотация: Несмотря на юридические достижения в области защиты персональных данных, проблема неправомерного использования личных данных неуполномоченными лицами по-прежнему имеет первостепенное значение. Чтобы предотвратить это, Privacy by Design часто предлагается в качестве решения для защиты данных. В этой статье влияние искажений камеры изучается с использованием методов глубокого обучения, обычно используемых для извлечения конфиденциальных данных. Для этого мы моделируем расфокусированные изображения, соответствующие реалистичной обычной камере с фиксированным фокусным расстоянием, диафрагмой и фокусом, а также изображения в градациях серого, поступающие с монохромной камеры. Затем с помощью экспериментального исследования мы доказываем, что можем создать камеру с защитой конфиденциальности, которая не может извлекать личную информацию, такую как номерные знаки. В то же время мы гарантируем, что полезные неконфиденциальные данные все еще могут быть извлечены из искаженных изображений. Код доступен по адресу https://github.com/upciti/privacy-by-design-semseg.
