对抗攻击之目录

最新推荐文章于 2020-10-18 17:21:10 发布
最新推荐文章于 2020-10-18 17:21:10 发布
阅读量1.2k 收藏 24
点赞数
分类专栏： 对抗样本 文章标签： 对抗样本 论文目录
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/stardustyu/article/details/104410055
版权

文章目录

对抗样本综述系列

1、对抗样本入门一–综述

       2017年
       文献地址
       博主博客之对抗样本综述



对抗攻击系列

1、对抗样本入门二–L-BFGS

       2014年
       文献地址
       博主博客之对抗攻击L-BFGS

2、对抗样本入门三–FGSM

       2015年
       文献地址
       博主博客之对抗攻击FGSM

3、对抗样本入门四–BIM&ILLC

       2016年
       文献地址
       博主博客之对抗攻击BIM&ILLC

4、对抗样本入门五–DeepFool

       2015年
       文献地址
       博主博客之对抗攻击DeepFool

5、对抗样本入门六–CPPN EA Fool

       2015年
       文献地址
       博主博客之对抗攻击CPPN EA Fool



对抗防御系列

Bai丁
关注
  • 0
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文笔记： 对抗样本 CVPR2021 Enhance Transferability of Adversarial Attacks through Variance Tuning
weixin_43184082的博客
08-23 3036
这里写自定义目录标题Abstract 摘要1. Introduction 引言背景引入2. 相关工作 Related Work 论文作者： Xiaosen Wang Kun He 作者单位： School of Computer Science and Technology, Huazhong University of Science and Technology 作者邮箱： {xiaosen,brooklet60}@hust.edu.cn 源代码：https://github.com/JHL-HUS
对抗攻击笔记02:李宏毅对抗攻击视频课P3P4-how to attack
tuanzi2809的博客
05-25 195
how to attack 目标：找到一个x*使得与原x0的差距越小越好，同时还要让f（x）与原结果远离的越远越好 方法：通过梯度下降方法，以x0为初始值不断迭代x生成新的x‘ ，同时如果x‘的变动大于我们设置的阈值的时候对x‘进行修正 修正函数：fix（x‘）在规定区域中寻找与x’最接近的那个点作为修正后的x‘ Attack Approaches FGSM:原论文不迭代，一次攻击成功 每个像素点在各个方向上取反，（一拳超人），最后获得的结果就是原图像的攻击结果，使用范数降改动后的x1拉回范数范围。
[读论文]Adversarial Examples: Attacks and Defenses for Deep Learning
DonaldSu的博客
05-06 3758
对抗样本：深度学习的攻击和防御 内容来源于论文：Adversarial Examples: Attacks and Defenses for Deep Learning，发表在IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。   论文地址：Adversarial Examples: Attacks and Defens...
CPPN、孪生网络、强化学习
qq_34229228的博客
05-11 912
一、CPPN 二、孪生网络 孪生网络 孪生网络是一种监督学习，用于度量学习。 它的特点是它接收两个图片作为输入，而不是一张图片作为输入。 Triplet 网络 3、 （~~）没听懂 4、强化学习 （~~我是懵的） ...
对抗样本(论文解读四): Adversarial Attacks and Defenses in Images, Graphs and Text: A Review
Enjoy_endless
12-09 3016
准备写一个论文学习专栏，先以对抗样本相关为主，后期可能会涉及到目标检测相关领域。 内容不是纯翻译，包括自己的一些注解和总结，论文的结构、组织及相关描述，以及一些英语句子和相关工作的摘抄(可以用于相关领域论文的写作及扩展)。 平时只是阅读论文，有很多知识意识不到，当你真正去着手写的时候，发现写完之后可能只有自己明白做了个啥。包括从组织、结构、描述上等等很多方面都具有很多问题。另一个是对于专业术语、...
adversarial-attacks-pytorch:PyTorch对抗攻击的实现
05-12
对抗攻击PyTorch 是一个PyTorch库，其中包含对抗性攻击以生成对抗性示例。 干净的图像 对抗形象 目录 推荐的地点和配套 用法 :clipboard: 依存关系 火炬== 1.4.0 Python== 3.6 :hammer: 安装 pip install ...
adversarial_examples_tf2：Tensorflow 2.0中的初学者友好型对抗攻击和防御库
02-21
TF2中的对抗性攻击和防御库 我们提供了一个轻量级且对初学者友好的库，用于： 训练简单的图像分类器。 生成对抗性示例-扰动神经网络的输入会导致错误的输出。 通过防御这些攻击来构建更强大的分类器。 该库是...
adverserial_attacks:进行对抗攻击并构建故意混淆我们ResNet模型的对抗图像
03-18
在本项目中，"negativerial_attacks"可能指的是负面对抗攻击，即通过算法生成与原始图片相似但能导致模型错误分类的图像。这通常涉及计算梯度和利用优化算法（如FGSM、PGD或DeepFool）来找到最小扰动，使模型分类...
transfer_adv:黑匣子攻击； 对imagenet的无限制对抗攻击
04-06
transfer_adv 黑匣子攻击； 对Imagenet的无限制对抗攻击CVPR-2021 AIC-VI：对ImageNet的无限制对抗攻击，请添加目录： 输入数据 - 图片 --dev.csv 结果
SLA_NLP_attack_analysis:对SLA模型的NLP对抗攻击
04-03
标题中的“SLA_NLP_attack_analysis”指的是针对SLA（口语水平评估）模型的自然语言处理（NLP）对抗性攻击的研究。SLA模型通常用于评估和评分人类的口语表达能力，而NLP对抗性攻击则涉及寻找并设计能够欺骗这些模型...
什么是对抗样本、对抗攻击（详解）
热门推荐
10-18 2万+
1.对抗样本 所谓对抗样本就是指：在原始样本添加一些人眼无法察觉的扰动（这样的扰动不会影响人类的识别，但是却很容易愚弄模型），致使机器做出错误的判断。 如下所示，这两张图片添加噪声（或者说扰动之后）被误分类。 2.对抗攻击 由于机器学习算法的输入形式是一种数值型向量（numeric vectors），所以攻击者就会通过设计一种有针对性的数值型向量从而让机器学习模型做出误判，这便被称为对抗性攻击。（也可以这样理解：将上面生成对抗样本的过程，理解为对抗攻击。） 和其他攻击不同，对抗性攻击主要.
生成对抗样本的方法|攻击方法
honor
07-03 9035
对抗样本 1.Biggio′s attack Biggio[22]等人首先针对传统机器学习分类器（如SVM和三层全连接神经网络）的MNIST手写数字识别数据集生成对抗样本。 它通过优化判别函数来误导分类器。 2. Szegedy′s limited-memory BFGS (L-BFGS) attack Szegedy[8]等人首次证明了可以通过对图像添加小量的人类察觉不到的扰动误导深度神经网络图像分类器做出错误的分类。他们首先尝试求解让神经网络做出误分类的最小扰动的方程。作者认为，深度神经网络所具有的强大
经典对抗攻击Deepfool原理详解与代码解读
Paper weekly
08-17 1万+
©PaperWeekly 原创 · 作者｜孙裕道学校｜北京邮电大学博士生研究方向｜GAN图像生成、情绪对抗样本生成论文标题：DeepFool: a simple and accurate...
对抗样本和对抗网络
Solomon1558的专栏
08-29 9181
前言：本文转载lancezhange 的博文《对抗样本和对抗网络》，文章介绍了对抗样本的概念和相关文献，并且进一步介绍了生成式对抗网络（Generative Adversarial Nets, GAN）。     所谓对抗 样本是指将实际样本略加扰动而构造出的合成样本，对该样本，分类器非常容易将其类别判错，这意味着光滑性假设(相似的样本应该以很高的概率被判为同一类别)某种程度上被推翻了。
图像对抗算法-攻击篇（I-FGSM）
AI之路
05-31 2万+
论文：Adversarial examples in the physical world 论文链接：https://arxiv.org/abs/1607.02533 在上面一篇博客中，我介绍了FGSM算法，FGSM算法从梯度的角度做攻击，速度比较快，这是该算法比较创新的地方。但是FGSM算法只涉及单次梯度更新，有时候单次更新并不足以攻击成功，因此，在此基础上推出迭代式的FGSM，这就是I-FGS...
Adversarial Examples 对抗样本
心之所向
03-24 1万+
定义 深度模型具有良好的泛化能力同时，也具有极高脆弱性。以分类为例：只需要通过故意添加细微的干扰所形成的输入样本（对抗样本），模型以高置信度给出了一个错误的输出。当然这问题不仅出现在深度模型中，在其他机器学习模型也存在。“对抗样本”是安全方面非常好的一个议题，因为它代表了AI安全领域里的一种具体的问题。 如上样本x的label为熊猫，在对x添加部分干扰后，在人眼中仍然分为熊猫，但对深度模型...
对抗样本论文总结
weixin_33770878的博客
11-14 600
[1]Karparthy博客 Breaking Linear Classifiers on ImageNet http://karpathy.github.io/2015/03/30/breaking-convnets/ [2]Christian等人在ICLR2014最先提出adversarial examples的论文Intriguing properties of neural ne...
图的对抗性攻击与防御
u013222658的博客
04-16 5192
Adversarial Attacks and Defenses on GraphsA Review and Empirical Study --图的对抗性攻击与防御：回顾与实证研究 （2020-03-03发表文章内容中文翻译）摘要1 介绍2 原则和定义2.1 Learning on Graph Data2.2 图对抗攻击的一般形式2.3 记号3 图形攻击的分类法3.1 攻击者的能力3.2 ...
phpstudy打不开红蓝对抗
最新发布
12-23
上述命令将会将文件`shell.php`写入到`/tmp`目录下。请确保在Kali Linux本机上存在要写入的文件。 2. 反序列化漏洞： 反序列化漏洞是一种安全漏洞，它允许攻击者在应用程序中执行恶意代码。攻击者可以通过修改或...
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