---------- 获取更多信息，请关注我们----------
受DARPA资助，美国马里兰大学的研究人员提出了一种人类参与的对抗样本生成流程，以增加机器问答系统中对抗性样本的复杂性和多样性。
机器问答任务中需要各种各样的对抗样本来提高机器学习模型的鲁棒性，但测试自然语言处理系统时，难以自动生成多样的复杂对抗性样本。为此，研究人员提出一种人类参与的对抗性样本生成流程。该流程由人先写下问题，由机器展示答案和回答依据，再由人选择接受或不接受，以迷惑机器。研究人员使用Quizbowl问答系统进行了验证。问答模型为门控复发单元架构的双向递归神经网络，以Quizbowl上的110000个问题作为训练集。115名志愿者通过交互界面与神经网络互动，并编写了406个有效的对抗性样本。用这些问题进行机器问答系统与人类选手的对战，结果表明，人类在比赛中占上风，表明这些对抗性样本确实发挥了作用。
这项研究表明，在自然语言处理等问题上，有人参与有助于提高机器学习的对抗样本生成质量，也可用于其他机器学习领域，促进无监督机器学习的发展。
（蓝海星）
想了解更多国外国防战略、军事工业、装备发展、前沿技术相关研究，请关注蓝海星智库微信公众号：SICC_LHX
欢迎转载，转载请注明出处。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
