Talk｜北京理工大学陈焕然：扩散模型即为鲁棒分类器

最新推荐文章于 2025-04-28 11:41:26 发布
最新推荐文章于 2025-04-28 11:41:26 发布
阅读量838 收藏 9
点赞数 24
分类专栏： 每周Talk上架 文章标签： 机器学习 扩散模型 计算机视觉 对抗攻击
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hanseywho/article/details/135862263
版权
北京理工大学本科生陈焕然在TechBeat人工智能社区分享了如何利用现成的扩散模型进行鲁棒分类的研究，探讨了DiffusionClassifier的应用及其在对抗攻击中的表现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本期为TechBeat人工智能社区第566期线上Talk。

北京时间1月24日(周三)20:00，北京理工大学本科生—陈焕然的Talk已准时在TechBeat人工智能社区开播！

他与大家分享的主题是: “扩散模型即为鲁棒分类器”，系统地介绍了他们在使用现成的diffusion model进行鲁棒分类等相关工作所做的研究。

Talk·信息

▼

主题：扩散模型即为鲁棒分类器

嘉宾：北京理工大学本科生 陈焕然

最低0.47元/天 解锁文章
无分类器指导的Classifier-free Diffusion Models技术
沉迷单车的追风少年
08-12 4364
分类器的引入大大提升了扩散模型的生成质量(FID和IS指标)，但是分类器指导可以看上是一种梯度对抗引导，这就会引入生成对抗网络中存在的一些缺点。作者提出了一种混合了条件扩散模型的分数估计和联合训练的无条件扩散模型，样本的无条件可能性，同时增加了条件可能性，在生成质量上得到进一步的提升。......
diffusion model classifier-guided与classifier-free的区别
weixin_40779727的博客
08-17 1121
需要重新训练diffusion model，训练成本较大。stable diffusion 在Laion5B用了256张A100训练15w 机时，一般公司无法承担如此大的训练成本。只需训练diffusion model ，但该diffusion model有一个语义输入。生成过程每一个时间步的生成需要将语义embedding也输入到diffusion model中，详细可参考。不用重新训练diffusion model就能引导朝向期望类别的图片生成。只能生成特定类别的图片，无法实现语义级别的生成。
Classifier Guided Diffusion
andy dennis的博客
12-23 5133
上次已经学习了open AI的 DDPM(. 这次来看openAI的另一个作品。), 以及 斯坦福的 DDIM。这次来看一篇扩散模型超越GAN的一篇经典之作。
Classifier guidance与Classifier free diffusion的简单理解
lt1103725556的博客
05-06 3306
参考：Classifier Guidance 和 Classifier Free Guidance，一堆公式不如两行代码 - 蓟梗的文章 - 知乎Classifier Guidance和Classifier-free Guidance 总结 - 走遍山水路的文章 - 知乎场景：首先，有一个训好的diffusion模型，可以从高斯分布的噪声生成图片。现在，你希望对生成的图片加以控制，让它生成你想要的图片。
深度学习（生成式模型）——Classifier Free Guidance Diffusion
菜到怀疑人生的博客
11-09 3681
在上一节中，我们总结了，其有两个弊端，一是需要额外训练一个分类头，引入了额外的训练开销。二是要噪声图像通常难以分类，分类头通常难以学习，影响生成图像的质量。Classifier Free Guidance Diffusion解决了上述两个弊端，不需要引入额外的分类头即可控制图像的生成。本节所有符号含义与前文一致，请读者阅读完前三篇博文后在查阅此文。本文仅总结backbone为DDIM情况下的Classifier Free Guidance Diffusion。
机器学习基础 - 回归模型之线性回归
yousuotu的博客
04-25 815
简单来说，线性回归算法就是找到一条直线（一元线性回归）或一个平面（多元线性回归）能够根据输入的特征向量来更好的预测输出y的值。其本质含义在于 X 与 Y 是线性相关的。
机器学习 Day14 XGboost（极端梯度提升树）算法
qq_66246715的博客
04-24 1099
1.算法的原理（预测函数，损失函数，优化方法）预测函数和优化方法：从极端梯度提升树我们就会知道，XGboost也是一类提升树，所以预测函数 一般是权重为1的回归决策树(因为涉及到求梯度，要求回归)的求和，优化算法是向前分步算法，即每一步求一个最优决策树损失函数：就是在原本的损失函数上增加一个正则化项（GBDT算法加上正则化项），以此来减小过拟合的分险，具体在XGboost算法里是加上每棵树的惩罚：所以现在我们去优化带正则项的损失函数就行，我们接下来对它 进行化简：2.原理推导，手写推导说明OBJ只与当前构造
机器学习特征工程中的数值分箱技术：原理、方法与实例解析
青蛙博客
04-24 1368
分箱技术作为机器学习特征工程中的关键环节，通过将数值数据划分为离散区间，能够有效提升模型对非线性关系的捕捉能力，同时增强模型对异常值的鲁棒性并提高计算效率。本文全面介绍了分箱技术的核心原理，深入探讨了等宽分箱、等频分箱、分位数分箱和模型驱动分箱等多种方法，并结合实际案例（如温度预测、房价分析、PM2.5数据处理等）对不同分箱策略的适用场景进行了详细对比。此外，文章还提供了代码示例，帮助读者掌握分箱技术的实现要点以及效果评估方法，旨在使读者能够根据数据特点和业务需求灵活选择分箱策略，从而显著提升模型性能。
机器学习基础理论 - 目标函数，损失函数，代价函数
最新发布
yousuotu的博客
04-28 698
当用sigmoid函数作为神经元的激活函数时，最好使用交叉熵代价函数来替代方差代价函数，以避免训练过程太慢。不过，为什么是交叉熵函数？导数中不带σ′(z)项的函数有无数种，怎么就想到用交叉熵函数？这自然是有来头的，更深入的讨论就不写了。另外，交叉熵函数的形式是−[ylna+(1−y)ln(1−a)]，而不是 −[alny+(1−a)ln(1−y)]，为什么？因为当期望输出的y=0时，lny没有意义；当期望y=1时，ln(1-y)没有意义。
Unity3D 基于机器学习的 AI 行为树
Thomas_YXQ的博客
04-24 1031
在Unity3D中，传统的行为树（Behavior Tree）通过预定义的逻辑节点（如选择节点、顺序节点、条件节点等）实现AI决策，但其静态性和依赖人工设计的特性限制了复杂动态场景的适应性。结合机器学习（Machine Learning, ML）技术，可以赋予行为树更强的动态学习与自适应能力，从而构建更智能的AI系统。对惹，这里有一个游戏开发交流小组，希望大家可以点击进来一起交流一下开发经验呀！
机器学习中的标签策略：直接标签、代理标签与人工数据生成
青蛙博客
04-28 761
本文深入探讨了机器学习领域中标签的关键概念，包括直接标签与代理标签的定义、优缺点比较，以及人工生成数据的相关内容。通过详细实例和练习，帮助读者理解如何选择合适的标签类型和数据生成方式，从而优化机器学习模型的性能和准确性。文章强调了标签质量对模型训练的重要性，并提供了实践建议以确保数据质量和模型有效性。
【机器学习速记】面试重点/期末考试
2401_86285609的博客
04-25 1326
状态（state）、动作（action）、奖励（reward）目标是最大化累计回报（return）策略（policy）：决定在某状态下采取什么动作常用算法：Q-learning、Deep Q Network（DQN）
机器学习--线性回归模型
Flychuer的专栏
04-24 967
上面的例子中，提到影响青少年身高因素只有年龄，像这种寻找只有一个自变量（特征）x，与因变量（标签）y之间的线性关系的模型，叫做一元线性回归。现实生活中，影响青少年的身高因素，不只是年龄，还有饮食、睡眠、遗传和运动等因素，像这种寻找多个自变量（特征）x，与因变量（标签）y之间的线性关系的模型，叫做多元线性回归。多元线性回归几何图形很抽象，我们可以简化理解为，二维平面中的一条直线，三维立体空间中的一个平面。总之，它在空间内是直的、平的。线性回归。
关于 梯度下降算法、线性回归模型、梯度下降训练线性回归、线性回归的其他训练算法 以及 回归模型分类 的详细说明
爱的叹息的专栏
04-21 1026
关于 梯度下降算法、线性回归模型、梯度下降训练线性回归、线性回归的其他训练算法 以及 回归模型分类 的详细说明
机器学习概述
m0_74476035的博客
04-28 531
在数据集中，有些数据是有特征值与目标值的(这些目标值是连续的和离散的)，而有些数据是只有特征值而没有目标值，我们来举个例子：根蒂色泽敲声西瓜状态蜷缩深绿色沉闷熟瓜笔直浅白色清脆生瓜在上面的数据中，我们一般将一行数据称为样本，将一列数据称为特征，在上面的表格中，很明显西瓜的生和熟就是我们上面所说的目标值，前面的三列是特征值。
Python数据分析案例73——基于多种异常值监测算法探查内幕交易信息
weixin_46277779的博客
04-25 1117
使用无监督聚类的一些异常检测算法，进行内幕交易监测，计算一些评价指标——准确率，精准率，召回率，F1值，特异度，灵敏度，ROC,AUC。
机器学习漏洞大汇总——利用机器学习服务
技术超强的网络安全平台
04-24 743
在本节中，我们将展示机器学习框架中存在的漏洞，这些漏洞会直接处理模型工件，或者通过工件存储或模型注册表的凭证来处理。利用此类漏洞，攻击者可以在企业系统内部进行非常强大的横向移动，从而劫持被利用的模型注册表中的机器学习模型。
人工智能与机器学习：二元分类决策树构建指南
AI人工智能的学习之路
04-24 1049
本文围绕构建用于二元分类的决策树展开。先介绍决策树的概念、结构及元素，以邮件欺诈检测为例说明其工作原理。接着讲解构建决策树的基尼不纯度指标，包括分类和连续变量的计算方法。最后给出Python实现，定义 DIYClassificationDecisionTree 类，包含超参数设置、数据划分、拟合及构建树等方法，助读者掌握决策树构建技巧。
直观讲解生成对抗网络背后的数学原理
JellyAI的博客
04-24 849
这篇文章讲的是一个非常独特的深度学习框架——生成对抗网络（GANs），我觉得它特别有意思，不仅因为它的工作原理，还因为它正在彻底改变流体力学领域中，尤其是在降阶建模和动力系统这类研究问题上的解决方式。
机器学习（9）——随机森林
jiaomongjun的博客
04-25 964
它通过构建多个决策树（Decision Tree），并通过集成学习的思想，最终输出多个决策树的结果的平均值或多数投票结果，从而提高模型的准确性和稳定性。随机森林的核心思想是通过构建多个决策树，并结合它们的结果来进行预测。决策树继续生长，直到满足一定条件（例如，树的深度达到预设的最大值，或者节点的样本数小于某个阈值）为止。随机选择特征：在每个决策树的每个节点，选择一个随机的特征子集来进行分裂，而不是使用所有特征。在每个节点的划分时，随机选择一个特征子集，而不是使用所有特征，从而减少不同决策树之间的相关性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值