[人工智能]基于可解释人工智能和深度学习的组织病理学图像中的副结核病诊断；用于恶意软件检测的安全稳健的认知系统设计；带有涂鸦注释的弱监督伪装对象检测；Time Majority Voting：一种面向非专家用户的

可解释的机器学习

中文标题：基于可解释人工智能和深度学习的组织病理学图像中的副结核病诊断

英文标题：Diagnosis of Paratuberculosis in Histopathological Images Based on Explainable Artificial Intelligence and Deep Learning?

时间：2022.8.2

作者：Tuncay Yi?it, Nilgün ?eng?z, ?zlem ?zmen, Jude Hemanth, Ali Hakan I??k

机构：苏莱曼德米雷尔大学（Süleyman Demirel University）、Burdur Mehmet Akif Ersoy大学（Burdur Mehmet Akif Ersoy?University）、卡鲁尼亚理工学院（Karunya Institute of Technology & Sciences）

链接：https://arxiv.org/ftp/arxiv/papers/2208/2208.01674.pdf

简介：人工智能在医学成像，尤其是组织病理学成像方面有着广阔的前景。然而，人工智能算法并不能完全解释决策过程中的思维过程。这种情况将人工智能应用的可解释性问题，即黑匣子问题提上了议事日程：算法只是简单地做出响应，而无需说明给定图像的原因。为了克服这个问题并提高可解释性，可解释人工智能（XAI）应运而生，引起了许多研究人员的兴趣。在此背景下，本研究使用深度学习算法检查了一个新的原始数据集，并使用XAI应用程序之一的梯度加权类激活映射(Grad-CAM)可视化输出。随后，病理学家对这些图像进行了详细的问卷调查，对决策过程和解释都进行了验证，并测试了输出的准确性。研究结果可以极大地帮助病理学家诊断副结核病。

异步脉冲神经网络

中文标题：用于恶意软件检测的安全稳健的认知系统设计

英文标题：Design of secure and robust cognitive system for malware detection

时间：2022.8.3

作者：Sanket Shukla

机构：乔治梅森大学（George Mason University）

链接：https://arxiv.org/pdf/2208.02310.pdf

简介：基于机器学习的恶意软件检测技术依赖于恶意软件的灰度图像，并且倾向于根据灰度图像中纹理的分布对恶意软件进行分类。尽管机器学习技术显示出进步和有希望的结果，但攻击者可以通过生成对抗样本来利用这些漏洞。对抗样本是通过智能地制作并向输入样本添加扰动来生成的，存在大多数基于软件的对抗性攻击和防御。为了防御对手，现有的基于机器学习和灰度图像的恶意软件检测需要对对抗数据进行预处理。这可能会导致额外的开销，并且可能会延长实时恶意软件检测时间。因此，作为替代方案，本文探索了基于RRAM（电阻随机存取存储器）的对抗对手的防御。因此，本文的目的是解决上述关键系统安全问题。上述挑战可以通过展示设计安全和健壮的认知系统的建议技术来解决。首先，提出了一种检测隐身恶意软件的新技术，该技术利用恶意软件二进制图像，从相同的图像中提取不同的特征，然后在由此获得的数据集上使用不同的ML分类器。结果表明，该技术成功地根据提取的特征区分恶意软件类别。其次，本文展示了对抗性攻击对具有不同学习算法和设备特性的可重构RRAM神经形态架构的影响。

大规模语义网络

中文标题：带有涂鸦注释的弱监督伪装对象检测

英文标题：Weakly-Supervised Camouflaged Object Detection with Scribble Annotations

时间：2022.7.28

作者：Ruozhen He,Qihua Dong,Jiaying Lin,Rynson W.H. Lau

机构：香港城市大学（City University of Hong Kong）

链接：https://arxiv.org/pdf/2207.14083.pdf

简介：现有的伪装对象检测（COD）方法严重依赖于具有像素级注释的大规模数据集。然而，由于边界不明确，以像素方式注释伪装对象（每张图像大约需要60分钟）非常耗时且费力。本文提出了第一个弱监督伪装对象检测（COD）方法，使用涂鸦注释作为监督。首先构建了一个基于涂鸦的伪装对象数据集，其中包含4,040张图像和相应的涂鸦注释。值得注意的是，对我们数据集中使用的涂鸦进行注释每张图像只需约10秒，这比每像素注释快360倍。然而，直接使用涂鸦注释进行监督的网络将无法定位伪装对象的边界，并且往往会出现不一致的预测，因为涂鸦注释仅描述了对象的主要结构而没有细节。为了解决这个问题，本文提出了一种新颖的一致性损失，它由两部分组成：可靠的交叉视图损失以在不同图像上获得可靠的一致性，以及软内部视图损失以保持单个预测图中的一致性。此外，我们观察到人类使用语义信息来分割伪装对象边界附近的区域。因此设计了一种特征引导损失，其中包括直接从图像中提取的视觉特征和模型捕获的具有语义意义的特征。同时，本文提出了一种新颖的网络，该网络通过对结构信息和语义关系的涂鸦学习来检测伪装对象。实验结果表明，本文的模型在三个COD基准上优于相关的最新方法，在MAE上平均提高了11.0%，在S-measure上平均提高了3.2%，在E-measure上提高了2.5%，在加权F-measure上平均提高了4.4%措施。

??

脑机接口

中文标题：Time Majority Voting：一种面向非专家用户的基于PC的EEG分类器

英文标题：Time Majority Voting,a PC-based EEG Classifier for Non-expert Users

时间：2022.7.26

作者：Guangyao Dou,Zheng Zhou,Xiaodong Qu

机构：布兰代斯大学（Brandeis University）、斯沃斯莫尔学院（Swarthmore College）

链接：https://arxiv.org/pdf/2207.12662.pdf

简介：使用机器学习和深度学习从脑电图（EEG）信号预测认知任务是脑机接口 （BCI）中一个快速发展的领域。与计算机视觉和自然语言处理领域相比，这些试验的数据量仍然很小。开发基于PC的机器学习技术以增加非专家最终用户的参与可能有助于解决这一数据收集问题。本文创建了一种新的机器学习算法，称为时间多数投票（TMV）。在实验中，TMV的表现优于前沿算法，可以在个人计算机上高效运行，用于涉及BCI的分类任务。这些可解释的数据还有助于最终用户和研究人员更好地理解EEG测试。