Waldocsdn的博客

图神经网络GNN理论学习和实践

在这篇论文中，作者确定了三种导致不良梯度干扰的多任务优化环境条件，并开发了一种简单而通用的方法，以避免任务梯度之间的这种干扰。作者提出了一种梯度手术形式，将任务的梯度投影到任何其他具有冲突梯度的任务的梯度的法平面上。在一系列具有挑战性的多任务监督和多任务RL问题上，这种方法带来了效率和性能的大幅提升。此外，它与模型无关，并且可以与先前提出的多任务架构结合，以增强性能。

最近，后门攻击对深度神经网络（DNNs）的训练过程构成了新的安全威胁。攻击者试图将隐藏的后门注入到DNNs中，使得受攻击的模型在良性样本上表现良好，而一旦攻击者定义的触发器激活隐藏的后门，其预测结果将恶意地被改变。现有的后门攻击通常采用的设定是触发器与样本无关，也就是说，不同的被污染样本中包含相同的触发器，这导致了现有的后门防御能够轻易地减轻攻击。在这项工作中，我们探讨了一种新的攻击范式，其中后门触发器是样本特定的。在我们的攻击中，我们只需要修改某些训练样本中的看不见的扰动。