1. Скрытие изображений в глубинных вероятностных моделях (arXiv)
Автор: Хаоюй Чен, Линьци Сун, Чжэньсин Цянь, Синьпэн Чжан, Кэдэ Ма
Аннотация. Сокрытие данных с помощью глубоких нейронных сетей (DNN) в последние годы добилось впечатляющих успехов. Преобладающая схема заключается в обучении автокодировщика, состоящего из сети кодирования для встраивания (или преобразования) секретных сообщений в носитель (или в него) и сети декодирования для извлечения скрытых сообщений. Эта схема может страдать от нескольких ограничений, касающихся практичности, безопасности и возможностей внедрения. В этой работе мы описываем другую вычислительную структуру для сокрытия изображений в глубоких вероятностных моделях. В частности, мы используем DNN для моделирования плотности вероятности обложек и скрываем секретное изображение в одном конкретном месте изученного распределения. В качестве примера мы используем SinGAN, пирамиду генеративно-состязательных сетей (GAN), чтобы узнать распределение исправлений одного изображения обложки. Мы скрываем секретное изображение, подбирая детерминированное отображение из фиксированного набора карт шума (сгенерированных с помощью ключа встраивания) в секретное изображение во время обучения распределению патчей. Стего SinGAN, ведущий себя как оригинальный SinGAN, публично сообщается; только получатель с ключом внедрения может извлечь секретное изображение. Мы демонстрируем осуществимость нашего подхода SinGAN с точки зрения точности извлечения и безопасности модели. Кроме того, мы показываем гибкость предлагаемого метода в плане сокрытия нескольких изображений для разных получателей и запутывания секретного изображения.
2. HYPRO: гибридно-нормализованная вероятностная модель для долгосрочного прогнозирования последовательностей событий (arXiv)
Автор:Сицяо Сюэ, Сяомин Ши, Джеймс И Чжан, Хунъюань Мэй
Аннотация: в этой статье мы решаем важную, но малоизученную проблему прогнозирования последовательности событий в долгосрочной перспективе. Существующие современные модели плохо справляются с этой задачей из-за своей авторегрессионной структуры. Мы предлагаем HYPRO, гибридно-нормализованную вероятностную модель, которая естественным образом подходит для этой задачи: ее первая часть представляет собой авторегрессионную базовую модель, которая учится предлагать прогнозы; его вторая часть — это энергетическая функция, которая учится заново взвешивать предложения таким образом, чтобы более реалистичные прогнозы в конечном итоге давали более высокие вероятности. Мы также предлагаем эффективные алгоритмы обучения и вывода для этой модели. Эксперименты с несколькими наборами данных реального мира демонстрируют, что предложенная нами модель HYPRO может значительно превзойти предыдущие модели при прогнозировании будущих событий на дальние горизонты. Мы также проводим ряд исследований абляции для изучения эффективности каждого компонента предлагаемых нами методов.
3. Вероятностная модель набора высоты самолета с использованием монотонных функциональных эмуляторов гауссовского процесса(arXiv)
Автор: Ник Пеппер, Марк Томас, Джордж Де Ат, Энрико Оливер, Ричард Кэннон, Ричард Эверсон, Тим Додуэлл.
Выдержка: Обеспечение вертикального эшелонирования является ключевым средством поддержания безопасного эшелонирования между воздушными судами в перегруженном воздушном пространстве. Траектории воздушных судов моделируются в условиях значительной эпистемологической неопределенности, что приводит к расхождениям между наблюдаемыми траекториями и прогнозами детерминированных моделей, что затрудняет планирование для обеспечения безопасного эшелонирования. В этой статье представлена вероятностная модель для имитации траекторий самолетов в наборе высоты и ограничения неопределенности прогнозируемой траектории. Монотонное функциональное представление использует пространственно-временные корреляции в радиолокационных наблюдениях. Благодаря использованию эмуляторов гауссовского процесса функции, которые параметризуют набор высоты, отображаются непосредственно на функциональные выходные данные, обеспечивая быструю аппроксимацию и гарантируя монотонность результирующей траектории. Модель применялась в качестве вероятностного цифрового двойника для самолета, находящегося в наборе высоты, и основывалась на BADA, детерминистической модели, широко используемой в промышленности. Было обнаружено, что при применении к невидимому набору тестовых данных вероятностная модель обеспечивает средний прогноз, который был на 21% более точным, с более точным прогнозом на 34%.
