可解释的机器学习

中文标题：使用卷积神经网络检测图像垃圾邮件的可解释人工智能

英文标题：Explainable Artificial Intelligence to Detect Image Spam Using Convolutional Neural Network

时间：2022.9.7

作者：Zhibo Zhang,Ernesto Damiani,Hussam Al Hamadi,Chan Yeob Yeun,Fatma Taher

机构：哈利法大学（Khalifa University）、扎耶德大学（Zayed University）

链接：https://arxiv.org/ftp/arxiv/papers/2209/2209.03166.pdf

简介：随着互联网的发展，图像垃圾邮件威胁检测成为热门的研究领域。本文中，提出了一个可解释的框架，用于使用卷积神经网络 (CNN) 算法和可解释人工智能 (XAI) 算法检测垃圾邮件图像。在这项工作中，使用CNN模型对图像垃圾邮件进行分类，而部署了包括本地可解释模型不可知解释（LIME）和Shapley加法解释（SHAP）在内的事后XAI方法，以便解释黑盒CNN模型做出的有关垃圾邮件图像检测的决策。在 6636 个图像数据集上训练并评估所提出的方法的性能，包括从三个不同的公开可用电子邮件语料库中收集的垃圾邮件图像和正常图像。结果表明，该框架在不同的性能指标方面都取得了满意的结果，而与模型无关的 XAI 算法既可以为不同模型的决策提供解释，还可以用于未来的研究。

异步脉冲神经网络

中文标题：星形胶质细胞对神经形态硬件系统的修复作用

英文标题：Astromorphic Self-Repair of Neuromorphic Hardware Systems

时间：2022.9.15

作者：Zhuangyu Han,?Nafiul Islam,?Abhronil Sengupta

机构：宾夕法尼亚州立大学（The Pennsylvania State University）

链接：https://arxiv.org/pdf/2209.07428.pdf

简介：虽然基于脉冲神经网络（SNN）的神经形态计算架构作为生物合理机器学习的途径备受关注，但注意力仍然集中在神经元和突触等计算单元上。从神经突触的角度来看，本文试图探索神经胶质细胞，特别是星形胶质细胞的自我修复作用。通过研究与星形胶质细胞计算神经科学模型的更强相关性，便于开发具有更高生物保真度的宏观模型，准确捕获自我修复过程的动态行为。软硬件协同设计分析表明，生物形态星形胶质细胞调节具有自我修复神经形态硬件系统中硬件现实故障的能力，具有显著的准确性和修复收敛性。

大规模语义网络

?中文标题：LogGD：基于图形的新型日志异常检测方法

英文标题：LogGD:Detecting Anomalies from System Logs by Graph Neural Networks?

时间：2022.9.16

作者：Yongzheng Xie,Hongyu Zhang,Muhammad Ali Babar

机构：阿德莱德大学（The University of Adelaide）、纽卡斯尔大学（The University of Newcastle）

链接：https://arxiv.org/pdf/2209.07869.pdf

简介：日志分析是工程师用来解决大型软件系统故障的主要技术之一。过去几十年中，已有许多日志分析方法来检测日志反映的系统异常。他们通常将日志事件计数或顺序日志事件作为输入，并利用包括深度学习模型在内的机器学习算法来检测系统异常。这些异常通常被识别为违反定量关系模式或日志序列中日志事件的顺序模式。然而，现有方法没有利用日志事件之间的空间结构关系，导致潜在的误报和不稳定的性能。本文中，提出了一种基于图形的新型日志异常检测方法 LogGD?，通过将日志序列转换，以此为图形有效解决问题。利用图形转换器神经网络的强大功能，结合图形结构和节点语义，用于基于日志的异常检测。文中在四个广泛使用的公共日志数据集上，评估了提出的方法。结果表明，LogGD 优于最先进的基于定量和基于序列的方法，并在不同的窗口大小设置下实现稳定的性能，?LogGD 在基于日志的异常检测中非常有效。

脑机接口

中文标题：通过使用脑电图的可扩展机器学习模型检测驾驶时的睡意

英文标题：Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography

时间：2022.9.9

作者：José Manuel Hidalgo Rogel,Enrique Tomás Martínez Beltrán,Mario Quiles Pérez,Sergio López Bernal,Gregorio Martínez Pérez,Alberto Huertas Celdrán

机构：穆尔西亚大学（University of Murcia）、苏黎世大学（University of Zurich）

链接：https://arxiv.org/pdf/2209.04048.pdf

简介：嗜睡是导致交通事故的主要原因之一。随着认知神经科学和计算机科学的进步，可以通过使用脑机接口 (BCI) 和机器学习 (ML) 来检测驾驶员的睡意。但仍然存在一些挑战：文献中缺少使用一组能对嗜睡检测性能进行全面评估异构 ML 算法；需要研究适用于受试者组的可扩展 ML 模型的检测性能，并将其与文献中提出的单个模型比较。为了突破这些挑战，本文中提出了一个智能框架，采用 BCI 和基于脑电图 (EEG) 的特征来检测驾驶时的睡意。 SEED-VIG 数据集用于输入不同的 ML 回归器和三类分类器，然后评估、分析和比较个体受试者和它们中的组的最佳性能模型。具体来说，关于单个模型，随机森林 (RF) 获得了 78% 的 f1分数，提高了文献中使用的模型（如支持向量机 (SVM)）获得的 58%。关于可扩展模型，RF 达到 79% 的 f1 分数，证明了这些方法的有效。最终得出：文献中没有充分探索的其他模型与嗜睡检测相关；适用于被试群体的可扩展方法对睡意检测是有效的，即使在评估模型训练中不包括的新被试时也是如此。