Descripción del prompt
Seguridad de la IA ├─ Objetivos Centrales (CIA + Cumplimiento + Confiabilidad) │ ├─ Confidencialidad │ ├─ Integridad │ ├─ Disponibilidad │ ├─ Cumplimiento │ └─ Comportamiento Confiable │ ├─ Controlable bajo ataques maliciosos │ ├─ Estable durante fallos inesperados │ └─ Mantiene el comportamiento esperado bajo cambios ambientales │ ├─ Límites Conceptuales y Conceptos Relacionados │ ├─ Relación con Fiabilidad / Robustez │ │ ├─ Fiabilidad / Robustez: Se centra en perturbaciones no maliciosas y aleatorias │ │ │ ├─ Ruido del sensor │ │ │ └─ Deriva de la distribución de datos │ │ └─ Seguridad de la IA: Se centra en ataques deliberados, maliciosos y cuidadosamente diseñados │ │ └─ Perturbación Adversaria (FGSM, etc.) │ ├─ Relación con la Ciberseguridad Tradicional / Ingeniería de Seguridad │ │ ├─ Seguridad Tradicional: Protege la infraestructura, las redes y los datos │ │ │ ├─ Cortafuegos │ │ │ ├─ Detección de intrusiones │ │ │ ├─ Control de acceso │ │ │ └─ Aplicaciones criptográficas │ │ └─ Seguridad de la IA: Profundiza en el comportamiento del modelo y las dependencias de los datos │ │ └─ Por ejemplo: Los ataques de puerta trasera no pueden ser detectados por el escaneo de vulnerabilidades tradicional │ └─ Posición dentro de la IA Confiable │ ├─ Otros pilares de la IA Confiable │ │ ├─ Equidad │ │ ├─ Explicabilidad / Interpretabilidad │ │ ├─ Transparencia │ │ └─ Privacidad │ └─ La seguridad es la base de la IA Confiable
![```python
import os
import re
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
import joblib
import matplotlib.pyplot as plt
# =========================
# Configuración
# =========================
class Config:
# ✅ Nueva versión: Excel de puntos de acumulación de agua (se añadió la precipitación acumulada)
points_xlsx = r'F:\实验数据\CA_积水点融合\深度置信网络\样本输出_final\积水点_整合_step3_研究区内_新增累计降雨_719-723.xlsx'
# Resultados de la simulación CA y datos geográficos
ca_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\CA模拟结果'
geo_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\地理数据' # building_density.npy, DEM.npy, road_density.npy, Slope.npy, Landuse.npy
# Parche y Muestreo
patch_size = 64
ca_dry_thr_cm = 1.0 # Umbral de profundidad del agua para muestras negativas: < 1cm
tile_size = 200 # Tamaño de la celda para el muestreo espacial uniforme de muestras negativas (unidad: celda de la cuadrícula)
# Tipos de codificación one-hot de uso del suelo (se pueden ajustar según sus datos reales)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Relacionado con el entrenamiento
output_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\DBN训练输出_64patch_mu'
```](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FBFJVaELXylgOOK0WatKO6tw6EfizLTx7%2F8a5d501e-e43d-4dfe-b168-5609ff4c3ef1%2F03d366b1-042e-4669-8cfb-aa5952cc4cb1.png&w=3840&q=75)
