深度神經(jīng)網(wǎng)絡(luò)，通過使用數(shù)學(xué)模型來處理圖像

它們具有看似復(fù)雜的結(jié)果，但也有可能被愚弄，范圍從相對無害-將動物誤識別為另一動物-到引導(dǎo)自動駕駛汽車的網(wǎng)絡(luò)將停車標志誤解為指示停車標志的潛在危險是可以安全進行的。

休斯頓大學(xué)的一位哲學(xué)家在發(fā)表于《自然機器智能》上的一篇論文中暗示，關(guān)于這些假定故障背后原因的普遍假設(shè)可能是錯誤的，這些信息對于評估這些網(wǎng)絡(luò)的可靠性至關(guān)重要。

隨著機器學(xué)習(xí)和其他形式的人工智能越來越深入地融入社會，從自動柜員機到網(wǎng)絡(luò)安全系統(tǒng)，其用途廣泛，UH哲學(xué)副教授卡梅倫·巴克納（Cameron Buckner）表示，了解由什么導(dǎo)致的明顯故障的來源至關(guān)重要。

研究人員稱其為“對抗性例子”，是指當(dāng)深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)遇到用于構(gòu)建網(wǎng)絡(luò)的訓(xùn)練輸入之外的信息時，會誤判圖像或其他數(shù)據(jù)。它們很罕見，被稱為“對抗性”，因為它們通常是由另一個機器學(xué)習(xí)網(wǎng)絡(luò)創(chuàng)建或發(fā)現(xiàn)的-機器學(xué)習(xí)領(lǐng)域中的一種邊緣技術(shù)，介于創(chuàng)建復(fù)雜示例的更復(fù)雜方法與檢測和避免它們的更復(fù)雜方法之間。

巴克納說：“這些對抗性事件中的一些反而可能是人工產(chǎn)物，為了更好地了解這些網(wǎng)絡(luò)的可靠性，我們需要更好地了解它們是什么。”

換句話說，不發(fā)火可能是由網(wǎng)絡(luò)需要處理的內(nèi)容和所涉及的實際模式之間的相互作用引起的。這與完全被誤解不是完全一樣的。

巴克納寫道：“理解對抗性例子的含義需要探索第三種可能性：至少其中一些模式是人工制品?！薄啊虼?，目前簡單地丟棄這些模式既有代價，也有天真地使用它們的危險。”

導(dǎo)致這些機器學(xué)習(xí)系統(tǒng)犯錯誤的對抗事件不一定是故意的瀆職造成的，但這是最高的風(fēng)險所在。

巴克納說：“這意味著惡意行為者可能欺騙依賴于本來可靠的網(wǎng)絡(luò)的系統(tǒng)。”“那有安全應(yīng)用程序?！?/p>

責(zé)任編輯：lq