2020年05月_Enjoy_endless

11月 10月 06月 05月 03月 01月

原创对抗样本(论文解读十三):机器学习模型可解释性方法、应用与安全研究综述

机器学习模型可解释性方法、应用与安全研究综述纪守领１　李进锋１杜天宇１李　博２１（浙江大学计算机科学与技术学院网络空间安全研究中心　杭州　３１００２７）２（伊利诺伊大学香槟分校计算机科学学院　美国伊利诸伊州厄巴纳香槟　６１８２２）这是一篇中文核心期刊文章，收稿于2019-06-11，发表于计算机研究与发展。这一篇文章总结的主要是模型的可解释性相关知识，但是同样涉及到了对抗样本相关的研究，所以对于对抗样本的相关攻防，同样具有比较大的参考价值。文章介绍：在本文中，我们首先详细地阐述可解释性

2020-05-11 15:34:25 4044 1

原创对抗样本(论文解读十二): Imagenet-trained cnns are Biased towards Texture; Increasing Shape Bias Improves

Imagenet-trained cnns are Biased towards Texture; Increasing Shape Bias Improves Accuracy And RobustnessRobertGeirhos University of T¨ubingen & IMPRS-IS robert.geirhos@bethgelab.orgPatriciaRubisch University of T¨ubingen & U. of Edinburgh p.rubis

2020-05-09 16:37:53 1152

原创对抗样本(论文解读十一):PatchAttack: A Black-box Texture-based Attack with Reinforcement Learning

PatchAttack: A Black-box Texture-based Attack with Reinforcement LearningChenglin Yang, Adam Kortylewski, Cihang Xie, Yinzhi Cao, and Alan YuilleJohns Hopkins University通过强化学习实现一个基于纹理的黑盒攻击这是一篇比较新的对抗块攻击的相关文章，发布于arxiv：2020.04.12, 头几天刚在组会上分享了相关论文，今天在这里简单分

2020-05-08 19:17:07 1787 3

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 对抗样本(论文解读十三):机器学习模型可解释性方法、应用与安全研究综述

原创 对抗样本(论文解读十二): Imagenet-trained cnns are Biased towards Texture; Increasing Shape Bias Improves

原创 对抗样本(论文解读十一):PatchAttack: A Black-box Texture-based Attack with Reinforcement Learning

空空如也

空空如也

原创对抗样本(论文解读十三):机器学习模型可解释性方法、应用与安全研究综述

原创对抗样本(论文解读十二): Imagenet-trained cnns are Biased towards Texture; Increasing Shape Bias Improves

原创对抗样本(论文解读十一):PatchAttack: A Black-box Texture-based Attack with Reinforcement Learning