1. IGraph/M: теория графов и сетевой анализ для Mathematica(arXiv)

Автор: Сабольч Хорват, Якуб Подкалицкий, Габор Чарди, Тамаш Непуш, Винсент Трааг, Фабио Занини, Даниэль Ноом

Аннотация:IGraph/M1 — это эффективный пакет теории графов и сетевого анализа общего назначения для Mathematica (Wolfram Research, Inc., 2022). IGraph/M служит интерфейсом языка Wolfram Language для библиотеки igraph C (Csárdi et al., 2022; Csárdi & Nepusz, 2006), а также предоставляет несколько уникальных функций, которых еще нет в igraph, но которые стали возможными благодаря объединению его возможностей. с Mathematica. Пакет предназначен для поддержки как теоретических исследований графов, так и анализа крупномасштабных эмпирических сетей.

2. Аудит и повышение надежности частных нейронных сетей для зашифрованных данных (arXiv)

Автор:Цзяци Сюэ, Лэй Сюй, Линь Чен, Вэйдун Ши, Кайди Сюй, Цянь Лу.

Аннотация:Выполнение нейросетевого логического вывода по зашифрованным данным без расшифровки — один из популярных методов включения нейронных сетей с сохранением конфиденциальности (PNet) как услуги. По сравнению с обычными нейронными сетями, развернутыми для машинного обучения как услуги, PNet требует дополнительного кодирования, например, чисел с квантованной точностью и полиномиальной активации. Зашифрованный ввод также создает новые проблемы, такие как защита от злоумышленников и безопасность. Насколько нам известно, мы первыми изучили вопросы, в том числе (i) является ли PNet более устойчивой к враждебным входным данным, чем обычные нейронные сети? (ii) как спроектировать надежную PNet с учетом зашифрованных входных данных без расшифровка? Мы предлагаем PNet-Attack для создания примеров состязательных атак типа "черный ящик", которые могут успешно атаковать PNet как целевым, так и нецелевым образом. Результаты атаки показывают, что необходимо повысить устойчивость PNet к входным данным злоумышленников. Это нетривиальная задача, поскольку владелец модели PNet не имеет доступа к открытому тексту входных значений, что препятствует применению существующих методов обнаружения и защиты, таких как настройка входных данных, нормализация модели и противоборствующее обучение. Чтобы решить эту проблему, мы предлагаем новый быстрый и точный метод вставки шума, называемый RPNet, для разработки надежных и частных нейронных сетей. Наши всесторонние эксперименты показывают, что PNet-Attack сокращает количество запросов как минимум в 2,5 раза по сравнению с предыдущими работами. Мы теоретически анализируем наши методы RPNet и демонстрируем, что RPNet может снизить вероятность успеха атаки примерно на 91,88%.

3. CyRSoXS: виртуальный инструмент с ускорением на графическом процессоре для рассеяния поляризованного резонансного мягкого рентгеновского излучения (P-RSoXS) (arXiv)

Автор: Кумар Саураб, Питер Дж. Дуденас, Элиот Ганн, Вероника Г. Рейнольдс, Субхрангсу Мукерджи, Дэниел Сандей, Тайлер Б. Мартин, Питер А. Босаж, Майкл Л. Чабиник, Дин М. Делонгшам, Адарш Кришнамурти, Баскар Ганапатисубраманян

Аннотация:Поляризованное резонансное мягкое рентгеновское рассеяние (P-RSoXS) стало мощным инструментом на основе синхротрона, который сочетает в себе принципы рентгеновского рассеяния и рентгеновской спектроскопии. P-RSoXS обеспечивает уникальную чувствительность к молекулярной ориентации и химической неоднородности в мягких материалах, таких как полимеры и биоматериалы. Количественное извлечение информации об ориентации из данных структуры P-RSoXS является сложной задачей, поскольку процессы рассеяния происходят из свойств образца, которые должны быть представлены в виде зависящих от энергии трехмерных тензоров с неоднородностями в масштабах от нанометров до субнанометров. Мы преодолеваем эту проблему, разрабатывая виртуальный инструмент с открытым исходным кодом, который использует графические процессоры (GPU) для моделирования шаблонов P-RSoXS из представлений материалов реального космоса с наноразмерным разрешением. Наша вычислительная среда под названием CyRSoXS (https://github.com/usnistgov/cyrsoxs) предназначена для максимизации производительности графического процессора, включая алгоритмы, которые минимизируют как обмен данными, так и объем памяти. Мы демонстрируем точность и надежность нашего подхода, проверяя его на обширном наборе тестовых примеров, которые включают как аналитические решения, так и численные сравнения, демонстрируя ускорение более чем на три порядка по сравнению с текущим современным моделированием P-RSoXS. программное обеспечение. Такое быстрое моделирование открывает множество приложений, которые ранее были невозможны с точки зрения вычислений, включая (а) подбор шаблонов, (б) совместное моделирование с физическим инструментом для операционной аналитики, исследования данных и поддержки принятия решений, © создание данных и их интеграция в рабочие процессы машинного обучения, а также (d) использование в мультимодальных подходах к усвоению данных. Наконец, мы абстрагируем сложность вычислительной среды от конечного пользователя, предоставляя CyRSoXS для Python с помощью Pybind. Это устраняет требования к вводу/выводу (I/O) для крупномасштабного исследования параметров и обратного проектирования, а также демократизирует использование, обеспечивая плавную интеграцию с экосистемой Python (https://github.com/usnistgov/nrss), которая может включать параметрическую морфологию. генерация, обработка результатов моделирования, сравнение с экспериментом и подходы к подбору данных.