快讯丨对抗训练正在“危害”机器人应用；天津发布人工智能试验区十大典型应用场景；俄罗斯幼儿园中出现机器人教师等

近日，MIT、奥地利利用学院在一篇题为“Adversarial Training is Not Ready for Robot Learning”的论文中提到，对抗训练并不适合机器人学习。在文中，作者通过理论和实验表明：通过对抗训练获得的神经控制器（neural controllers）会导致三类缺陷，系统错误、瞬态错误和条件错误。这三类缺陷的存在并不会提高机器人模型的稳健性。目前，这篇文章已被国际机器人和自动化会议(ICRA 2021)收录。究其原因，作者认为在机器人应用中，深度学习模型与动态环境相互作用，对抗训练导致“微小”的精度下降，都会产生重大的影响。同时，作者指出缺乏因果关系是系统受到攻击的最主要原因。学习因果表示可能是保护神经网络免受对抗性攻击的关键。

新加坡 - 麻省理工学院研究与技术联盟的未来城市交通跨学科研究小组的研究人员，创建了一个称为基于理论的残差神经网络（theory-based residual neural network, 以下简称TB-ResNet）的综合分析框架，它结合了 DCM 和DNN，以改善交通行为研究中使用的个人决策分析。他们的论文 Theory-basedresidual neural networks: A synergy of discrete choice models and deep neuralnetworks，近期发表在交通领域顶级期刊《Transportation Research: Part B》上。SMART 的研究人员称，他们发明了 TB-ResNet 框架并证明 DCM 和 DNN 结合的有效性，这说明二者高度互补。