对抗样本的一些参考文章和笔记

最新推荐文章于 2024-07-01 09:42:53 发布

nemoyy

最新推荐文章于 2024-07-01 09:42:53 发布

阅读量2.2k

点赞数 1

分类专栏： Deep Learning Machine Learning 文章标签： adversarial examples

本文链接：https://blog.csdn.net/nemoyy/article/details/81052274

版权

本文概述了对抗样本的概念，探讨了Ian Goodfellow在对抗性机器学习和生成对抗网络（GAN）方面的研究。内容包括Ian的博士答辩、Udacity的演讲、与吴恩达的谈话等，强调了对抗样本的普遍性和对模型稳健性的影响。文章提到了梯度下降、反向传播和对抗训练等关键技术，并列举了多个相关资源和防御策略。

摘要由CSDN通过智能技术生成

本文记录了自己准备写一篇介绍对抗样本的科普文章是在YouTube看Ian Goodfellow的一些视频资料学习做的笔记，以及在研究对抗样本（主要）和GAN时看到的技术博客的链接。

笔记是随意记的。

资料收集

博士答辩

在Ian博士答辩时总结到’Generative models useful for missing value problems’ in 2014. 和非监督学习.

解释maximum likelihood estimation
用模型描述事件发生的概率，模型的参数决定模型对不同事件赋予的概率。MLE是选择参数使来自数据集的事件的概率最大。

解释gradient descent
想要最小化一个目标函数/损失函数，对某个点，若导数为正，则往导数的反方向，直到导数为0.

在最后’over the next five years, hopefully we’ll learn how to do well without needing so much data, and we’ll be able to leverage the unsupervised learning techniques that have somewhat fallen out of fashion bu haven’t yet fully reached their potentail.’