<p>Arbetet som presenteras i den här rapporten handlar om ansiktsigenkänning från webbkameror med hjälp av principal component analysis samt artificiella neurala nätverk av typen feedforward. Arbetet förbättrar tekniken med hjälp av filterbaserade metoder som bland annat används inom ansiktsdetektering. Dessa filter bygger på att skicka med redundant data av delregioner av ansiktet.</p>

<p>I dagens samhälle finns det en mängd olika maskiner för att underlätta ardagssysslorna, såsom batteridrivna dammsugare och gräsklippare. Gräsklippardomänen används i detta projekt, för att undersöka vilken av monolitisk och hierarkisk kontrollarkitektur i en batteridriven gräsklippare som har bäst generaliseringsförmåga. Gräsklippardomänen används som testdomän därför att det finns en oändlig mängd olika yt-fromer. Med generalisering menas hur bra gräsklipparen klipper på ytor som den nyligen eller aldrig tränats på. Experiment har utförs på båda kontrollarkitekturerna i en simulator. Val av kontrollarkitektur spelar inte någon större roll för gräsklipparen. Bidraget med detta arbete är att undersöka hur bra de olika arkitekturerna generaliserar.</p>

<p>Syftet med arbetet är att simulera tävlingar på medeldistans mellan löpare med en strategi att vinna och undvika muskeltrötthet. Löparna ses som agenter vars strategi realiseras med ett artificiellt neuronnät (ANN) som med sensorer, avstånd till mål och agentens trötthet beräknar bidragande kraft och styrriktning. Agentens ANN tränas med en belöningsbaserad inlärning baserad på genetiska algoritmer och trötthetsalgoritmen är en uppskattning av hur mjölksyra påverkar muskeltrötthet.</p><p>Resultaten visar att av alla agenter som utvecklats för tävling mot klockan i s.k. time trial har alla haft samma strategi och hittat samma ideala kraft för att minimera tiden. Utvecklingen av agenter för simulation av flera agenter samtidigt har varit mer komplicerad eftersom agenterna påverkar varandra och agenternas strategi har varit olika. Multiagenterna blev också mindre robusta än singelagenterna men utvecklade beteenden som påminner om en realistisk tävling i medeldistanslöpning.</p>

Sexual abuse is a horrible reality for many children around the world. As technology improves the availability of encryption schemes and anonymity over the internet, the perpetrators of these acts are increasingly hard to track. There have been several advances in recent time to automate the work of trying to catch these perpetrators and especially image recognition has seen great promise. While image recognition is a natural approach to these subjects as many abuses are documented and shared between perpetrators, there are potentially many leads that go unexplored if only focusing on images and videos. This study evaluates how methods of supervised machine learning solely based on textual data can point us to posts on forums which are connected to the distribution of child sexual abusive material. Feature representation techniques such as word-vectors, paragraphvectors and the FastText algorithm were used in conjunction with supervised machine learning methods based on deep learning, including methods of multilayer perceptrons, convolutional neural networks and long-short term memory models. The models were trained and evaluated on a dataset based on forum posts from a Dark Net leak from last year, and are evaluated as well on text collected from websites that had been manually verified by Ecpat. Those models were compared to a baseline model based on logistic regression. It was found that those state-of-the-art models achieve a similar performance, all outperforming the 'benchmark' logistic regression model. Further improvements can be achieved based on the availability of more annotated data.

Forskningen om artificiella immunsystem försöker använda människans immunförsvar som modell för hur ett datorsystem på egen hand skall kunna försvara sig mot okänt inkräktande, till skillnad från traditionella antiviruslösningar som bygger på manuell detektion av nya virus. Denna uppsats hävdar att människans immunförsvar inte är någon relevant modell för ett artificiellt immunsystem som tillgodoser användarnas behov av säkrare datorsystem, eftersom det finns skillnader i hur datorsystem och människor principiellt fungerar. Ett antal hypoteser ställs upp som beläggs med data från den immunologiska forskningen, Microsofts säkerhetsbulletiner, samt virusbeskrivningar från antivirusföretaget Sophos. Hypoteserna kopplas ihop i en slutledningskedja som visar att de hypoteser som relaterar till datorsystem, inte är förenliga med de hypoteser som relaterar till människans immunförsvar, om det artificiella immunsystemet skall tillgodose användarnas behov av säkrare datorsystem. Forskningen om artificiella immunsystem diskuteras, där de principer och antaganden som de olika lösningarna bygger på monteras ned genom att implicita inkonsistenser görs explicita. Uppsatsen avslutas med en belysning av varför hypoteserna egentligen går att belägga, där grundbulten är att människans immunförsvar skyddar behovet hos sin värd, den mänskliga individen, till skillnad från det artificiella immunsystemet, som inte är tänkt att skydda behovet hos sin värd, själva datorsystemet, utan snarare behovet hos användaren av datorsystemet.

Artificiella neurala nätverk (ANN) har många användningsområden inom datavetenskap. Några av dessa är mönsterigenkänning, robotik, processkontroll, optimering och spel. Detta examensarbete kommer att handla om hur en alternativ lösning på den traditionella arkitekturen av hur ett neuralnät kan se ut. Jag kommer att undersöka om man kan ta ett stort och komplext neuralnät och bryta ned detta till mindre neuralnät utan att förlora kvaliteten på botarna i en spelmiljö kallad Open Nero. Detta för att försöka minska beräkningshastigheten av neuralnäten och förhoppningsvis även göra så botarna lär sig ett bra beteende snabbare. Mitt examensarbete kommer att visa att min lösning av arkitekturen för ett neuralt nätverk inte fungerar speciellt bra då botarna inte lärde sig tillräckligt fort. En fördel med min arkitektur är dock att den är något snabbare än originalets i exekveringshastighet.

Det här arbetet har undersökt hur indeterministiskt beteende hos allierade spelarkaraktärer påverkar mänskliga-spelares uppfattning om spelarkaraktärernas trovärdighet i spel. För att undersöka detta har två AI-tekniker, en indeterministisk teknik som kallas för nyttobaserad AI och en deterministisk teknik som kallas för finita-tillståndsmaskiner implementerats och använts för att modellera beteenden hos spelarkaraktärer i ett actionspel sett ovanifrån. Testdeltagare har fått delta i ett experiment där de spelat actionspelet i två scenarion med allierade spelarkaraktärer modellerade med respektive teknik. Efter spelandet har testdeltagarna fått svara på kvantitativa och kvalitativa frågor i en enkätundersökning om hur de upplevt spelarkaraktärernas beteende. Experimentet fann inga resultat som tyder på att indeterministiska beteenden hos allierade spelarkaraktärer gör att de uppfattas som mer trovärdiga. Det fanns heller inga resultat som tyder på att indeterministiska beteenden hos spelarkaraktärer skulle särskilja sig mot deterministiska beteenden. Detta resultat behöver dock verifieras i ytterligare studier med mer testdeltagare och scenarion.

Syftet med arbetet är att simulera tävlingar på medeldistans mellan löpare med en strategi att vinna och undvika muskeltrötthet. Löparna ses som agenter vars strategi realiseras med ett artificiellt neuronnät (ANN) som med sensorer, avstånd till mål och agentens trötthet beräknar bidragande kraft och styrriktning. Agentens ANN tränas med en belöningsbaserad inlärning baserad på genetiska algoritmer och trötthetsalgoritmen är en uppskattning av hur mjölksyra påverkar muskeltrötthet. Resultaten visar att av alla agenter som utvecklats för tävling mot klockan i s.k. time trial har alla haft samma strategi och hittat samma ideala kraft för att minimera tiden. Utvecklingen av agenter för simulation av flera agenter samtidigt har varit mer komplicerad eftersom agenterna påverkar varandra och agenternas strategi har varit olika. Multiagenterna blev också mindre robusta än singelagenterna men utvecklade beteenden som påminner om en realistisk tävling i medeldistanslöpning.

I dagens samhälle finns det en mängd olika maskiner för att underlätta ardagssysslorna, såsom batteridrivna dammsugare och gräsklippare. Gräsklippardomänen används i detta projekt, för att undersöka vilken av monolitisk och hierarkisk kontrollarkitektur i en batteridriven gräsklippare som har bäst generaliseringsförmåga. Gräsklippardomänen används som testdomän därför att det finns en oändlig mängd olika yt-fromer. Med generalisering menas hur bra gräsklipparen klipper på ytor som den nyligen eller aldrig tränats på. Experiment har utförs på båda kontrollarkitekturerna i en simulator. Val av kontrollarkitektur spelar inte någon större roll för gräsklipparen. Bidraget med detta arbete är att undersöka hur bra de olika arkitekturerna generaliserar.

Detta arbete handlar om beteendeinriktad biometri och artificiella neuronnät av typen feedforward och hur de tillsammans kan användas för att verifiera användare. Det har av tidigare arbete bekräftats att det är möjligt att verifiera användare, men tidigare resultat har däremot inte utfört tester med avseende på avvikelser i data (beteende) och dess inverkan på verifieringen. Det är detta som utgör det huvudsakliga målet för detta arbete, nämligen att undersöka hur avvikelser i data påverkar verifiering och utifrån det också undersöka neuronnätens noggrannhet vid verifiering.