HODOR：用于对象重新分割的高级对象描述符从静态图像中学习的视频；利用XAI技术改进基于自动编码器的shapley加法解释计算机网络异常检测模型；基于超导纳米线的神经形态计算体系结构
中文标题：HODOR：用于对象重新分割的高级对象描述符从静态图像中学习的视频
英文标题：HODOR: High-level Object Descriptors for Object Re-segmentation in Video Learned from Static Images
时间：2021.12.16
作者：Ali Athar, Jonathon Luiten, Alexander Hermans, Deva Ramanan, Bastian Leibe
机构：德国亚琛工业大学、卡内基梅陇大学
链接：https://arxiv.org/pdf/2112.09131.pdf
简介：
现有最先进的视频对象分割（VOS）方法学习帧之间的低级别像素到像素的对应关系，以便在视频中传播对象遮罩。这需要大量密集注释的视频数据，注释成本很高，并且由于视频中的帧高度相关，因此在很大程度上是冗余的。有鉴于此，我们提出了HODOR：一种通过有效利用带注释的静态图像来理解对象外观和场景上下文来解决VOS的新方法。我们将图像帧中的对象实例和场景信息编码为健壮的高级描述符，然后使用这些描述符在不同帧中重新分割这些对象。因此，与未经视频注释培训的现有方法相比，HODOR在DAVIS和YouTube VOS基准上实现了最先进的性能。在没有任何架构修改的情况下，HODOR还可以利用循环一致性从单个带注释的视频帧周围的视频上下文中学习，而其他方法则依赖于密集的、时间一致的注释。
中文标题：利用XAI技术改进基于自动编码器的shapley加法解释计算机网络异常检测模型
英文标题：Utilizing XAI technique to improve autoencoder based model for computer network anomaly detection with shapley additive explanation(SHAP)
时间：2021.12.14
作者：Khushnaseeb Roshan, Aasim Zafar
机构：印度阿利迦尔穆斯林大学
链接：https://arxiv.org/pdf/2112.08442.pdf
简介：
机器学习（ML）和深度学习（DL）方法被迅速采用，尤其是在计算机网络安全领域，如欺诈检测、网络异常检测、入侵检测等。然而，基于ML和DL的模型缺乏透明度是它们实现的一个主要障碍，并且由于其黑盒性质而受到批评，即使有如此巨大的结果。可解释人工智能（XAI）是一个很有前途的领域，它可以通过解释和解释模型的输出来提高模型的可信度。如果基于ML和DL的模型的内部工作是可以理解的，那么它可以进一步帮助改进其性能。本文的目的是展示如何使用XAI来解释DL模型的结果，在本例中是自动编码器。并在此基础上，改进了其在计算机网络异常检测中的性能。基于shapley值的核SHAP方法是一种新的特征选择技术。此方法仅用于识别实际导致攻击/异常实例集异常行为的特征。之后，这些特征集用于训练和验证自动编码器，但仅用于良性数据。最后，构建的SHAP_模型优于基于特征选择方法提出的其他两个模型。整个实验是在最新的CICIDS2017网络数据集的子集上进行的。SHAP_模型的总体准确度和AUC分别为94%和0.969。
中文标题：基于超导纳米线的神经形态计算体系结构
英文标题：A Superconducting Nanowire-based Architecture for Neuromorphic Computing
时间：2021.12.15
作者：Andres E. Lombo, Jesus E. Lares, Matteo Castellani, Chi-Ning Chou, Nancy Lynch, Karl K. Berggren
机构：多伦多大学、麻省理工学院、哈佛大学
链接：https://arxiv.org/pdf/2112.08928.pdf
简介：
通过使用改进的定制硬件，神经形态计算有望进一步推动基于软件的神经网络的成功。然而，神经形态算法到硬件规范的转换是一个很少被探索的问题。建立超导神经形态系统需要超导物理学和理论神经科学方面的广泛专业知识。在这项工作中，我们的目标是通过提供一种工具和方法将算法参数转换为电路规格来弥合这一差距。我们首先展示了理论神经科学模型和电路拓扑动力学之间的对应关系。然后，我们通过使用超导纳米线硬件实现尖峰神经网络，将此工具应用于求解线性系统。
中文标题：用于神经网络计算的注入锁定大面积半导体激光器的计算量度和参数
英文标题：Computational metrics and parameters of an injection-locked large area semiconductor laser for neural network computing
时间：2021.12.16
作者：Anas Skalli, Xavier Porte, Nasibeh Haghighi, Stephan Reitzenstein, James A. Lott, D. Brunner
机构：勃艮第-弗朗什孔泰大学、柏林工业大学
链接：https://arxiv.org/pdf/2112.08947.pdf
简介：
人工神经网络已成为许多领域的主要计算技术。然而，它们在处理信息的方式上与经典计算硬件存在根本性的差异。在速度、处理并行性、可扩展性和能源效率方面，神经网络结构的光子实现可能比电子结构具有根本优势。可扩展和高性能的光子神经网络（PNN）已经被证明是可行的，但它们仍然很少。在这项工作中，我们研究了这种基于大面积垂直腔面发射激光器（LA-VCSEL）的可伸缩、完全并行和自治PNN的性能。我们展示了性能如何随不同的物理参数而变化，即注入波长、注入功率和偏置电流。此外，我们将这些物理参数与一致性和维度的一般计算度量联系起来。我们提出了一种测量噪声下高维非线性系统维数的通用方法，它可以应用于神经形态计算中的许多系统。我们的工作将为空间复用VCSEL PNN的未来实现提供信息。