摘要：深度神经网络具有脆弱性,容易被精心设计的对抗样本攻击.梯度攻击方法在白盒模型上攻击成功率较高,但在黑盒模型上的迁移性较弱.基于Heavy-ball型动量和Nesterov型动量的梯度攻击方法由于在更新方向上考虑了历史梯度信息,提升了对抗样本的迁移性.为了进一步使用历史梯度信息,本文针对收敛性更好的Nesterov型动量方法,使用自适应步长策略代替目前广泛使用的固定步长,提出了一种方向和步长均使用历史梯度信息的迭代快速梯度方法(Nesterov and Adaptive-learning-rate based Iterative Fast Gradient Method,NAI-FGM).此外,本文还提出了一种线性变换不变性(Linear-transformation Invariant Method,LIM)的数据增强方法 .实验结果证实了NAI-FGM攻击方法和LIM数据增强策略相对于同类型方法均具有更高的黑盒攻击成功率.组合NAI-FGM方法和LIM策略生成对抗样本,在常规训练模型上的平均黑盒攻击成功率达到87.8%,在对抗训练模型上的平均黑盒攻击成功率达到57.5%,在防御模型上的平均黑盒攻击成功率达到67.2%,均超过现有最高水平.

摘要：大概念(Bigldeas)是个舶来品,也称大观念、核心观念、核心概念等[1]。在教学理念不断更新的形势下,大概念教学引起学界广泛的讨论,虽未形成综合性的定论概念,但其核心意涵明确,即教与学要具备深刻性、综合性、生长性、迁移性与未来性等指征。基于“大概念”教学立意,笔者立足于学生视角设计了助力学力生长、深度学习的案例。

摘要：迁移是指一种学习对另一种学习的影响，它广泛地存在于知识、技能、态度和行为规范的学习中，只要有学习，就有迁移．迁移是学习的继续和巩固，又是提高和深化学习的条件，学习与迁移不可分割．迁移是数学学习中的一种普遍现象，正是因为有了迁移，

摘要：针对现有识别对抗算法对小尺度目标攻击效果差、对抗样本中存在大量无意义扰动、扰动生成效率低等问题,以红外遥感为应用背景,基于对抗生成攻击理论提出一种具有较强泛化性的目标识别对抗算法。算法引入空洞卷积和注意力机制构造多通道变尺度扰动生成网络以克服红外遥感图像存在的小目标问题;同时,基于检测热力图设计滤波器对生成扰动信息进行筛选,实现无意义扰动消除;最后,以第三届“空天杯”全国创新创意大赛复赛所公布数据集为例进行实验分析。与次最优攻击算法相比,本文所提算法的平均攻击成功率提升了0.313,同时将生成对抗样本的平均耗时降低了57.409 s;此外,利用生成的对抗样本去迁移攻击其他类型的检测器,使得YOLOv3检测器、YOLOv5检测器和Faster-RCNN检测器的平均检测精度分别下降了0.032,0.287和0.09。实验结果表明,本文算法在对抗样本物理可实现性、迁移性和生成速度方面都具有显著优势。

摘要：目标检测在无人驾驶、监控安防等领域应用广泛,但研究发现目标检测系统易受对抗样本影响导致性能下降,对其应用安全造成了巨大危险。当前的目标检测对抗攻击方法大多针对某一类目标检测模型进行攻击,普遍存在迁移能力弱的问题。为解决上述问题,基于生成对抗网络提出了一种目标检测对抗攻击方法,该方法针对检测模型中常用的非极大值抑制机制和检测模型的特征图关注区域设计了位置回归攻击损失,通过该损失优化攻击,能够使模型的非极大值抑制机制失效,引导生成的候选框偏离预测的关注区域,导致模型预测失败。在VOC数据集上进行实验,该方法能够有效攻击Faster-RCNN、SSD300、SSD512、Retinanet、YOLOv5、One-Net等多种类型的目标检测模型,有效提升了目标检测攻击方法的迁移能力。

摘要：尽管深度神经网络(Deep Neural Networks,DNNs)在大多数分类任务中拥有良好的表现,但在面对对抗样本(Adversarial Example)时显得十分脆弱,使得DNNs的安全性受到质疑。研究设计生成强攻击性的对抗样本可以帮助提升DNNs的安全性和鲁棒性。在生成对抗样本的方法中,相比需要依赖模型结构参数的白盒攻击,黑盒攻击更具实用性。黑盒攻击一般基于迭代方法来生成对抗样本,其迁移性较差,从而导致其黑盒攻击的成功率普遍偏低。针对这一问题,在对抗样本生成过程中引入数据增强技术,在有限范围内随机改变原始图像的颜色,可有效改善对抗样本的迁移性,从而提高对抗样本黑盒攻击的成功率。在ImageNet数据集上利用所提方法对正常网络及对抗训练网络进行对抗攻击实验,结果显示该方法能够有效提升所生成对抗样本的迁移性。

摘要：《数学课程标准(2022年版)》修订的一项重要变革,是以结构化的方式(如主题、项目、任务等)设计课程内容。结构化就是关于结构的建构过程。小学数学单元习题的结构化设计,应立足核心概念,统筹单元习题与教学目标的一致性,以“单元”为基本单位,建构结构化的知识体系,强调单元习题的整体性、关联性、迁移性,关注数学本质,关注通性通法,发展核心素养。那么如何基于单元核心概念科学合理地确定单元习题目标?如何围绕素养导向的育人目标结构化设计单元习题内容?如何基于实践优化单元习题结构体系?

摘要：小学数学中高段探究性作业,就是让学生在问题引领下(问题要具有探究意义),通过已有的生活经验、知识储备、思维能力来自主或合作探究的作业。目的是让不同层次的学生在这样的作业探究过程中,提高自己的探究能力、应用能力和创新能力。探究性作业重在探究的过程,教师在设计作业时,要注意因材施教,尊重生生差异,注重作业的实践性、迁移性和分层性。

摘要：1数学大概念的重要性,“大概念(big ideas)”一词,在2018年1月发布的普通高中课程标准中,第一次以文件的形式,正式地被引入到我国教育领域,从政策上确立了大概念教学在课程改革中的重要地位[1].一个学科的大概念是该学科的骨骼,位于学科的中心地位,具有极强概括性、抽象性和迁移性.

摘要：在小学英语教学中,教师由于缺乏学科大概念的支撑,仍然较多关注课时层面,出现只注重局部和零散知识,缺乏对教学内容的整体关照,只见树木不见森林(崔超,2020),导致英语学科育人的目标无法落地课堂。小学英语教学要发展学生的学科核心素养,需要整合性教学.包括学科内整合、跨学科整合和与现实世界的整合。而大概念具有的中心性、抽象性、网络状、持久性和迁移性等特征则为整合性教学提供了新的方略和途径。