论文笔记（5.14，文本抗击，sentence）--Adversarial Examples for Evaluating Reading Comprehension Systems

最新推荐文章于 2021-07-19 20:24:36 发布
最新推荐文章于 2021-07-19 20:24:36 发布
阅读量587 收藏
点赞数
分类专栏： 论文笔记
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_43301333/article/details/106131334
版权

贡献
1文本攻击的思路的开路
2.提出了模型能够捕捉干扰样本的漏洞，产生虚假防御
通过变换句式，替换为相反词（现在已经被证实是不正确的），换answer为同类型，然后将更改后的干扰加入到paragraph的末尾生成对抗集合（生成样本距离太远、模型选择性忽视干扰，再次trick人类），效果不尽人意

Reza.
关注
专栏目录
论文笔记 | Adversarial Examples for Evaluating Reading Comprehension Systems
u011150266的博客
06-11 763
作者：孙嘉伟 单位：燕山大学 文章目录前言一、解决的问题二、对抗数据生成方法 前言 这是一篇比较经典的论文，发表在EMNLP2017上面，可以说是文本对抗领域的开山之作，作者是Percy Liang 和Robin Jia。 论文地址：https://arxiv.org/pdf/1707.07328.pdf 代码地址：https://github.com/robinjia/adversarial-squad 一、解决的问题 文章所研究的问题是：阅读理解模型容易受到对抗样本的攻击。使用的数据集是经典的S
pyqt5_tools-5.14.2.1.7b3-cp38-cp38-win_amd64.whl
06-03
pyqt5_tools-5.14.2.1.7b3-cp38-cp38-win_amd64.whl 离线安装包
Improving the Robustness of Question Answering Systems to Question Paraphrasing
彭伟的博客
05-05 1440
《Improving the Robustness of Question Answering Systems to Question Paraphrasing》 新加坡国立大学 这篇论文主要是解决模型的鲁棒性，提出了两个测试集，最后通过实验证明（数据增强），能够在提出的两个数据集上得到比较好的结果。 动机： 方法： 训练一个模型 Paraphrase-Guided Paraphrasing ...
AI新方向：对抗攻击
网易智能
11-14 2912
关注网易智能，聚焦AI大事件，读懂下一个大时代！本文转载自学术头条（ID：SciTouTiao），作者：汶川在调查近几年 AI 领域的过程中，我发现近几年对抗攻击的概念逐...
【深度学习NLP论文笔记】《Greedy Attack and Gumbel Attack: Generating Adversarial Example for Discrete Data》
野心家-Andy的博客
11-25 1736
这篇文章的数学定义推导和算法说明部分大都没有看懂，所以笔记写得极烂，因为文中很多数学定义相当模糊，写得也很绕。在ICLR2019评审中一位盲审直接给出“poorly written”的意见。ICLR2019 OpenReview  但这篇大概率还是会中，原作者也更新了一版论文，待评审结果出来我会试着重新更新该笔记，先占个坑。 Abstract     我们提出一种【对离散数据进行对抗攻击】...
社会工作介入家庭暴力的文献综述5.14(1)-论文.zip
08-18
社会工作介入家庭暴力的文献综述5.14(1)-论文.zip
Activiti-5.14-用户手册-中文版
最新发布
04-14
Activiti 5.14 用户手册 Activiti 是一个基于 BPMN 2.0 的业务流程管理系统，本手册详细介绍了 Activiti 5.14 的使用和配置，包括安装、配置、API 使用、Spring 集成、部署、BPMN 2.0 结构、表单、JPA 配置、历史...
ActivePerl-5.14.2.1402-MSWin32-x86-295342.rar
06-21
标题中的"ActivePerl-5.14.2.1402-MSWin32-x86-295342.rar"指的是一个特定版本的ActivePerl软件的压缩包文件，该版本为5.14.2，适用于32位的Microsoft Windows操作系统，其内部构建号为295342。ActivePerl是Perl编程...
testng-5.14.jar中文-英文对照文档.zip
03-14
注：下文中的 *** 代表文件名中的组件名称。 # 包含： 中文-英文对照文档：【***-javadoc-API文档-中文(简体)-英语-对照版.zip】 jar包下载地址：【***.jar下载地址(官方地址+国内镜像地址).txt】 ...
Reading Comprehension必读paper汇总
AI蜗牛之家
02-22 4403
文章目录Must-read papers on Machine Reading Comprehension.Model ArchitectureUtilizing Extenal KnolwedgeExplorationOpen Domain Question AnsweringDatasets 文章转自thunlp/RCPapers Must-read papers on Machine R...
第1078期AI100_机器学习日报(2017-08-31)
ai100_ml的博客
09-05 262
AI100_机器学习日报 2017-08-31 OpenCV探索之路：特征检测和特征匹配方法汇总 @IT技术头条从技术到产品，苹果Siri深度学习语音合成技术揭秘 @中国统计网YELP公开数据集下载 @王威廉全卷积语义分割综述 @爱可可-爱生活各国语言如何编码？文本分类模型大对比 @爱可可-爱生活 @好东西传送门 出品,由@AI100运营， 过往目录 见http://geek
论文笔记（5.13，文本抗击，sentence）--Trick Me If You Can: Human-in-the-Loop Generation of Adversarial Examples
weixin_43301333的博客
05-13 377
举行了一次人机对战比赛，基于Quizbowl问答任务，通过实验对比了多种传统模型的鲁棒性能，分析了传统模型对于理解性任务的局限现象的产生原因，以及人机互补的概念。 paper的价值主要在于： 1.通过human-in-loop的方式生成高质量的问答对抗样本 2.对传统问答模型的鲁棒性能进行剖析 实验结果 1.RNN相较于IR更加脆弱 基于RNN的问答系统更加容易受到语法语义上的干扰；IR系统则对一些特定的单词更加敏感 2.人类和模型能力互补 在前半段问题里，机器效果优于人类，而到后半场随着透露的信息越来
[论文解读] Adversarial Attacks on Deep Learning Models in Natural Language Processing: A Survey
年糕的博客
06-18 3256
Adversarial Attacks on Deep Learning Models in Natural Language Processing: A Survey 文章目录Adversarial Attacks on Deep Learning Models in Natural Language Processing: A Survey简介摘要介绍自然语言处理中的对抗性攻击与深度学习技术综述深度学习模型的对抗性攻击：一般分类法定义威胁模型。测量。深度学习在自然语言处理中的应用从图像到文本精心制作对抗
论文笔记（5.13,relation extraction,review）--A Survey of Deep Learning Methods for Relation Extraction
weixin_43301333的博客
05-14 771
信息抽取（information extraction）是NLP领域一个非常大的问题，它包含命名实体识别（NER），关系抽取(RE)，事件抽取（EE）。 这里着重讨论RE： 传统非神经网络方法 feature based methods kernel based methods 传统机器学习方法会消耗大量的人工资源，现在不太常用 数据集 ACE 2005 dataset contains 599 documents re- lated to news and email and contains re
EMNLP 2017 accepted papers
热门推荐
AI小白入门的博客
12-05 1万+
emnlp 接受论文列表地址:http://emnlp2017.net/accepted-papers.htmlEMNLP 2017共接收323篇论文。 其中216篇是长篇论文，107篇是短篇论文。详细如下： Accepted short papersGlobal Normalization of Convolutional Neural Networks for Joint Entity and
论文理解——Audio Adversarial Examples:Targeted Attacks on Speech-to-Text
qq_42372980的博客
05-06 3348
0-Abstract 本文构建了有关语音识别的定向语音对抗样本，给定任意音频波形，可以产生99.9%相似的另一个音频波形，且可以转录为所选择的任何短语。作者将基于白盒迭代优化攻击应用于DeepSpeech模型（端到端语音识别），实验显示，它具有100%的成功率。 1-Introduction 1.1Existing work 当前对对抗样本的研究大多基于图像空间，包括图像分类、图像生成模型...
论文笔记（5.16，文本抗击，character）--On Adversarial Examples for Character-Level Neural Machine Translation
weixin_43301333的博客
05-17 491
novel： 1.分析了白箱黑箱、controlled/uncontrolled（单词消音）、target/untarget攻击之间的区别 2.character级别的NMT，针对性攻击 3.白、黑箱对抗样本，训练模型鲁棒对比分析 4.各种自然噪声（FIDS）分布概率 5.one-shot：仅需一次前向反向，每个词独立局部地选择最优的攻击方法，减少排序时间。 ...
文献阅读Show-and-Fool:Crafting Adversarial Examples for Neural Image Captioning
comasabd的博客
07-19 302
文章简介：文章主要提出了show-and-fool算法，对现代神经图像字幕系统进行攻击。并为此提出了三种loss函数的实现方法，这三种方法是由难到易的（主观判断）。该方法的主要面向对象是CNN+RNN的结构的现代神经图像字幕系统。 1.targeted caption method; show-and-tell会生成确定的错误的字幕，这个字幕是给出的目标。 2.targeted keyword method;show-and-tell会生成错误的字幕，这个字幕中包含了一些的关键词。 3.unt
Win10下J-link V8固件恢复详细教程
作者在遇到MDK5.14开发环境与STM32F7板子的ST-link兼容性问题后，转而使用备用的J-link V8进行开发。不幸的是，在试图通过MDK5.14进行设置时，误操作导致J-link固件可能丢失，需要进行恢复。 作者强调了开发环境为...
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