李宏毅对抗攻击跟防御

已于 2023-02-07 12:41:53 修改
阅读量195 收藏 1
点赞数
分类专栏： 对抗学习 文章标签： 深度学习 人工智能
于 2023-01-03 22:27:32 首次发布
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/weixin_41504611/article/details/128526524
版权

参考

1.1adversarial attack（恶意攻击）

我们训练的神经网络不仅要在运行中产生较高的正确率，还要能够抵抗来自人类的恶意攻击！！！所以就要能够对恶意攻击采取一定的防御措施。在人类恶意攻击的情况下，希望也能得到高的正确率。
在这里插入图片描述

论文中一般用不同的优化方法，或者不同的限定
优化方法例如梯度上升来优化损失函数最大化
在这里插入图片描述

课程作业

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

https://img-blog.csdnimg.cn/9d18abdda71f44d6bb688aa4495e9679.png)

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

参考内容：1
2 视频
重点看这个3
4代码

算法黑哥
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
​李宏毅机器学习——对抗攻击Adversarial Attack
iwill323的博客
10-27 2918
​李宏毅机器学习——对抗攻击Adversarial Attack
神经网络的攻击与防御PPT吧
08-08
Attacking and defending neural networks 神经网络的攻击与防御 胡晓林 清华大学计算机系 清华大学类脑计算研究中心 Background Attacking methods Defending methods Interpretability Summary
面向深度学习模型的对抗攻击与防御方法综述
01-18
深度学习作为人工智能技术的重要组成部分，被广泛应用于计算机视觉和自然语言处理等领域。尽管深度学习在图像分类和目标检测等任务中取得了较好性能，但是对抗攻击的存在对深度学习模型的安全应用构成了潜在威胁，进而影响了模型的安全性。
李宏毅——对抗模型 attack and defence
shaoyue1234的专栏
09-19 1087
李宏毅——对抗模型 attack and defencemotivationattack例子如何找出特制的噪声限制how to Attack实例方法FGSM（Fast Gradient Sign Method）白盒和黑盒黑盒攻击 motivation 想在脱离实验室，实际环境中使用 在 强：要对噪音robust 对付来自人类的恶意：要对恶意的骗过机器的数据robust 侦测带有恶意的东西：垃圾邮件...
李宏毅2021春机器学习课程笔记——生成对抗模型
sykai1的博客
07-13 627
本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！ 概率生成模型 概率生成模型（Probabilistic Generative Model）简称生成模型，指一系列用于随机生成可观测数据的模型。 假设在一个连续获离散的高维空间X\mathcal{X}X中，存在一个随机向量X\mathnormal{X}X服从一个未知的数据分布pr(x),x∈Xp_r(x), x \in \mathcal{X}pr​(x),x∈X。生
对抗攻击和防御
白景屹的博客
10-27 4010
目录对抗攻击防御References 对抗攻击 在计算机视觉任务中可能存在以下现象，对输入样本故意添加一些人类无法察觉的细微干扰，将会导致模型以高置信度输出一个错误的分类结果，这被称为对抗攻击。对抗攻击的目标是使模型错误分类样本，同时不能过度修改样本。对抗攻击通常分为白盒攻击和黑盒攻击。对于白盒攻击，攻击者已知模型内部的所有信息和参数，基于给定模型的梯度生成对抗样本，对网络进行攻击。对于黑盒攻击，攻击者不了解模型的参数和结构信息，仅通过模型的输入和输出，生成对抗样本，再对网络进行攻击。黑盒攻击和白盒攻击的思
6 15种对抗攻击的防御方法
weixin_30736301的博客
07-31 1848
目前，在对抗攻击防御上存在三个主要方向： 1）在学习过程中修改训练过程或者修改的输入样本。 2）修改网络，比如：添加更多层/子网络、改变损失/激活函数等。 3）当分类未见过的样本时，用外部模型作为附加网络。 第一个方法没有直接处理学习模型。另一方面，另外两个分类是更加关心神经网络本身的。 这些方法可以被进一步细分为两种类型：（a）完全防御；（b）仅探测（detection only）。 ...
【李宏毅机器学习】adversarial attack 对抗攻击
发现问题，并解决问题，批判性思维
10-13 2092
对抗攻击：DL算法存在着严重的安全隐患，攻击者可以通过给良性样本添加特定噪声而轻易地欺骗DL模型，并且通常不会被人发现。攻击者利用人的视觉/听觉无法感知的扰动，足以使正常训练的模型输出置信度很高的错误预测。被认为是在生产中部署DL模型之前的巨大障碍。 根据威胁模型可以将现有的对抗性攻击分为白盒、灰盒和黑盒攻击。这3种模型之间的差异在于攻击者了解的信息。 在白盒攻击的威胁模型中，假定攻击者具有关于其目标模型的完整知识，包括模型体系结构和参数。因此攻击者可以通过任何方式直接在目标模型上制作对抗性样本。 在灰盒威
【机器学习】李宏毅——Adversarial Attack（对抗攻击）
FavoriteStar的博客
09-21 4002
本文主要介绍了Adversarial Attack（对抗攻击）当前的研究现状，包括如何攻击、攻击的类别，以及原始模型如何进行防御等相关知识点。
深度学习中模型攻击与防御（Attack DL Models and Defense）的原理与应用（李宏毅视频课笔记）
双鸭山•克里菲斯•北方孤星之堕
08-05 5084
文章目录0 前言1 Attack（模型攻击）1.1 Attack on Image Recognition Network Model（对图像识别网络模型的攻击）1.1.1 Loss Function for Attack1.1.2 Constraint（相似度的限制）1.1.3 Solution to Attack（求解攻击信号）1.1.4 Example1.1.5 Explanation of Attack1.2 FGSM（快速梯度下降法）1.3 Black Box Attack（黑盒攻击）1.3.1
李宏毅GAN对抗生成网络2018最新ppt全套
08-17
李宏毅GAN对抗生成网络2018最新ppt全套,内容非常详细，结合视频一起学习，将大有裨益
李宏毅GAN课程讲义、生成式对抗网络课件
09-30
**李宏毅GAN课程讲义、生成式对抗网络课件** 生成式对抗网络（Generative Adversarial Networks，简称GANs）是由Ian Goodfellow在2014年提出的一种深度学习模型，它通过两个神经网络——生成器（Generator）和判别...
李宏毅老师深度学习PPT
11-18
李宏毅老师在深度学习领域的教学资源深受业界好评，他的课程覆盖了多种先进技术，包括元学习、终身学习和强化学习等。 元学习，也称为学习学习，是一种使机器学习模型能够快速适应新任务的方法。在元学习中，模型...
神经网络之卷积神经网络
m0_53881899的博客
07-19 327
神经网络之卷积神经网络
3.1-RNN存在的问题以及LSTM的结构
colleges的博客
07-18 687
阐述了RNN存在的梯度消失和梯度爆炸问题；引入LSTM，说明了LSTM的遗忘门、输入门、输出门、新增记忆单元的结构；以及为什么LSTM能够缓解梯度消失从而实现长期记住短期记忆
昇思25天学习打卡营第20天 | LSTM+CRF序列标注
嫦娥妹妹等等我的博客
07-21 204
在自然语言处理（NLP）的领域中，序列标注是一个基础且关键的任务，涉及到从文本数据中提取有用信息，如命名实体识别（NER）、词性标注（POS）等。本次学习重点是探索如何结合长短时记忆网络（LSTM）和条件随机场（CRF）来执行序列标注任务，尤其是在命名实体识别上的应用。
昇思25天学习打卡营第18天|RNN实现情感分类
ptyp222的博客
07-18 904
本章基于glove，使用LSTM完成情感分类任务。
【独家首发】Matlab实现天鹰优化算法AO优化Transformer-LSTM实现负荷数据回归预测
最新发布
算法如诗的博客
07-21 354
【独家首发】Matlab实现天鹰优化算法AO优化Transformer-LSTM实现负荷数据回归预测
李宏毅对抗生成网络(gan)课件
12-09
李宏毅对抗生成网络（GAN）是一种深度学习模型，由生成器和判别器组成。生成器试图生成真实的数据样本，而判别器则试图区分生成的样本和真实样本。这两个模型在训练过程中相互对抗，使得生成器不断优化生成样本的能力，同时判别器也不断优化自己的判别能力。 在李宏毅的课件中，他详细介绍了GAN的原理和训练过程。他首先解释了生成对抗网络的基本结构，然后介绍了GAN的训练机制和损失函数。他强调了GAN的优势和应用场景，比如图像生成、图像编辑和无监督学习等方面的应用。此外，李宏毅还分享了一些GAN在实际项目中的应用案例，并对如何调优和改进GAN模型进行了深入的探讨。 除此之外，李宏毅还对GAN的一些问题和挑战进行了分析，比如模式坍缩、训练不稳定等。他提出了一些解决这些问题的方法，并分享了一些GAN的改进版本，比如WGAN和DCGAN等。通过这些内容，学生可以全面了解生成对抗网络，并对如何应用和改进GAN模型有更深入的认识。 总的来说，李宏毅对抗生成网络的课件内容丰富，涵盖了GAN的原理、训练方法、应用案例和改进技术等方面，对学习者具有很高的参考价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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