- 博客(4)
- 收藏
- 关注
RSS订阅原创 论文笔记——EXPLAINING AND HARNESSING ADVERSARIAL EXAMPLES（解释和利用对抗样本）
abstract一些机器学习方法，包括神经网络都会被对抗样本（输入含有小的但是故意破坏的扰动）误导。这种对抗样本的输入会让神经网络得出一个置信度高并且错误的答案。早期的工作尝试用非线性特征和过拟合去解释它，我们却认为神经网络对于对抗样本的弱点主要体现在它的线性特征，基于这个假设，我们提出了简单快速的生成对抗样本的方法即快速梯度符号法（Fast Gradient Sign Method），通过产生对抗样本，降低了测试集的错误率（MNIST maxout network）1 IntroductionSze
2020-10-31 21:26:02
3968
转载 论文笔记——Adversarial Patch（对抗补丁）
摘要We present a method to create universal, robust, targeted adversarial image patches in the real world. The patches are universal because they can be used to attack any scene, robust because they work under a wide variety of transformations, and target.
2020-10-24 16:56:24
5925
11
原创 初探对抗攻击——黑盒攻击&白盒攻击
# 系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录# 系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，
2020-10-23 12:01:22
13475
原创 距离公式——欧式（L2）、曼哈顿（L1）切比雪夫、夹角余弦
距离度量特征空间中两个实例点的距离可以反映出两个实力点之间的相似性程度，使用的距离可以是欧式距离，也可以是其他距离。欧氏距离(L2距离)：最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中：曼哈顿距离(L1距离)：我们可以定义曼哈顿距离的正式意义为L1距离或城市区块距离，也就是在欧几里得空间的固定直角坐标系上两点所形成的线段对轴产生的投射的距离总和。通俗来讲，想想你在曼哈顿要从一个十字路口开车到另一个十字路口，驾驶距离是两点间的直线距离吗？显然不不是，除非你能
2020-10-23 11:29:27
8858
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人