7、元启发式、机器学习、深度学习方法及进化深度学习方法解析

元启发式、机器学习、深度学习方法及进化深度学习方法解析

1. 图像与语音欺骗生成

在图像生成领域，为了生成具有欺骗性的图像，通常会选择在多个类别中都显示出高可靠性的图像，而非仅在目标类别中具有高识别可靠性的图像。例如，当目标是生成一把吉他的欺骗性图像时，会选取在“吉他”“小提琴”和“琵琶”等所有类别中同时显示出高可靠性的图像，而不是仅在“吉他”类别中显示高可靠性的图像。在相关研究中，使用了基于像素单元或 CPPN 的图像基因型，通过进化计算成功生成了白噪声和条纹图案的欺骗性图像，这也揭示了深度神经网络（DNN）模型的脆弱性。

在语音方面，也有类似的研究尝试。通过对原始语音数据应用类似的过程，尝试合成计算机能够识别但人类无法理解的语音。在实验中，利用遗传算法（GA）合成了误报语音。实验表明，即使是人类听起来只是白噪声的声音，计算机也能以高可靠性识别出有意义的单词。

2. 贝叶斯网络与循环信念传播

2.1 信念传播算法概述

信念传播（BP）是一种用于树状结构图形模型的推理算法，根据不同的目标有多种变体。例如，最大和（max - sum）是 BP 的一个实例，它能有效地计算这些模型的最高联合概率。循环信念传播（LBP）则是将 BP 应用于具有任意循环图结构的图形模型，可近似且快速地推断出最可能的解决方案（MPS）或边际概率。

2.2 循环最大和算法

循环最大和是将最大和算法应用于循环图。它通过反复更新消息（即局部计算的联合概率），最终从这些消息中近似生成 MPS。为了将循环最大和应用于贝叶斯网络，需要将其转换为等效的因子图（一种图形模型）。贝叶斯网络和因子图的转换关系如下表所示：
|网