CEUR-WS

Популярное место для публикации материалов конференций и семинаров - ceur-ws.org C 22 апреля материалы из России не принимает ...

Фейковые видео-данные

Интересный подход к проверке отсутствия состязательных атак в видео

См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению

ML стек

"В однобортном никто не воюет" (c) - Что сейчас используется в разработке и эксплуатации систем машинного обучения

Машинное обучение 2.0

Новая модель для автономного машинного интеллекта от LeCun

Кража моделей ML

Хороший обзор по атакам кражи моделей машинного обучения

Физические атаки

Покраска автомобиля и ее распознавание на аэроснимках. И схожая с ней работа по камуфлированию

См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению

Некогда объяснять

Explainer - простой пакет для объяснения значимости факторов модели машинного обучения

См. другие публикации, посвященные ответу на вопрос почему?

Я доктор

ИИ для медицины - конкурс по постановке диагнозов

Вагончик тронется, перрон останется

Для транспортников - расчет распределения задержек в расписании

Аномалии поведения

Практический способ поиска аномального поведения по логам. DBSCAN + PCA. В данном случае используется анализ коммитов на GitHub.

От стартапа, который посвятил свой бизнес анализу работы программистов с точки зрения кибербезопасности. У них в блоге довольно много интересных примеров

Sec2Sec

Краткое изложение текстов (text summary) - как это работает

Кэп попал в какой-то комитет

Машинное обучение дошло до стандартов. ISO/IEC 23053:2022 Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML)

Процесс разработки возглавлял Микрософт. Компания активно принимает собственные стандарты для разработки ИИ: Microsoft’s Responsible AI Standard

Открытая наука, том 10, номер 6

Очередной номер журнала INJOIT появился на сайте Киберленинка.

Это том 10, номер 6 за 2022 год. По данным elibrary.ru, журнал INJOIT занимает второе место в разделе Кибернетика и второе в разделе Автоматика и вычислительная техника

/via Лаборатория ОИТ

Pro & Contra

Простой, но важный момент - предположения, которые лежат в основе различных алгоритмов машинного обучения. Фактически - вопрос выбора модели.

Online learning

Онлайн модели машинного обучения - обзор

Анализ трафика

Пространственные и временные корреляции в предсказании трафика - интересная статья.

Рецепты ML

Открытая книга с решениями задач машинного обучения.

P.S. см. также публикации по блокнотам ML: ML notebooks

Математика глубинного обучения

deeplearningmath.org. Книга в свободном доступе. Дописывается в реальном времени.

P.S. см. также другие книги из раздела математика

Статика и точка

О ренессансе простых сайтов

О правильных метриках

Точность - не всегда правильная оценка

Graph ML 2022

Текущее состояние машинного обучения на графах

См. также другие публикации, посвященные графам

ML pipe

Автоматизация ML конвейера

Шаблоны проектирования

О графовых базах данных

Хорошо написанный материал о достоинствах графовых баз данных. В интервью упоминается GQL - это готовящийся стандарт на язык запросов для графовых баз данных.

Где-то мы уже это видели

Другое название удаленки - Цифровая кафедра. В данном случае МИФИ, но скоро, видимо, везде.

Transfer learning

Примет трансферного обучения: модели, обученные на городских данных, передаются между городами. Неявно утверждая, что все города похожи ...

О метриках развития города

Интересная статья - как информация о поездках описывает развитие города

Искусственный интеллект на войне

Взгляд Микрософт на военные применения искусственного интеллекта.

P.S. Оценка таких приложений с точки зрения используемых моделей, архитектур и методов есть в статье журнала INJOIT

Статистика и Python

Основные статистические пакеты: Statsmodels, Stats и Seaborn

Стратегии кэширования

Тестирование робастности

Устойчивость систем машинного обучения - критический момент для их применения в авионике, автоматическом вождении и других специальных областях. Как протестировать системы на устойчивость. Некоторая подборка ссылок.

Robuscope - online тестирование моделей ML от Fraunhofer Institute for Cognitive Systems IKS. Вот здесь есть список публикаций авторов системы по оценкам устойчивости. А здесь - подход Fraunhofer к аудированию систем ИИ (май, 2022)

Efemarai - платформа для постоянного тестирования и улучшения машинного обучения. Efemarai Continuum позволяет командам машинного обучения разрабатывать надежные модели, постоянно тестируя граничные случаи (границы применимости).

Вот здесь есть описание системы

Arize AI - мониторинг для ML систем

Сравнительный обзор инструментов тестирования робастности от Borealis AI

Фреймворк для верификации систем ИИ - A.I. Verify. Авторство - государственная комиссия по защите данных Сингапура (PDPC Singapore)

Коллекция инструментов и регуляторных актов по тестированию работы ИИ систем с данными

Практический пример тестирования устойчивости системы распознавания дорожных знаков

Анализ сдвига данных, оценка качестве данных и другие инструменты в обзоре подходов к тестированию систем ML

Общие подходы к тестированию ML систем

Большой обзор систем тестирования для машинного обучения

См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению

Веселые картинки

Иллюстрации ML архитектур и не только от Amazon

Про тех. процессы

Вот позиция отечественной микроэлектроники: «Сейчас у нас есть PDK [Process Design Kit — правила проектирования для дизайн-центров от конкретной фабрики] уровня 250нм, 180нм, 90нм, — сообщила Карина Абагян, директор по стратегическому развитию „Микрон“. — Существуют методы, позволяющие дизайн-центрам, во-первых, уйти от тонких нанометров, вернуться назад — при этом повысится доступность отечественных фабрик (180нм есть на „Микроне“, 130нм планирует делать НМ-Тех), — а во-вторых, улучшить экономику, потому что стоимость комплекта масок несопоставима для тонких нанометров».. Для сравнения, IBM Telum (для задач ИИ) - это 7 nm.

Прощай, я приму его в лоб

Лобовая Black Box атака на детектор объектов в YOLO - насколько это может быть успешно?

Реально используемая модель в критических ML приложениях должна скрываться. Это отличие от "традиционных" алгоритмов. Траектории, например, рассчитываются у всех одинаково. И открытость алгоритмов = это скорее плюс. Можно что-то проверить. А вот знание (догадка) о об используемой архитектуре ML системы может помочь построить состязательную атаку.