weixin_46782905的博客

原创 NeurIPS2022 interesting papers

NeurIPS2022文章

原创 2022.7.9论文速览

2022.7.9论文速览本文所提方法的实现原理：给了迁移性量化的常用方式，计算相关性。现有一些方法和所提方法的比较：

原创 Optimal Transport系列1

Optimal Transport系列1

原创 Deep transfer learning for image classification: a survey简读

Survey简读

原创 ICML2022有意思的文章

ICML2022感兴趣的文章

原创 2022.4.12 arxiv速览

2022.4.12 arxiv速览

原创 PyTorch:DistributedDataParallel(DDP)学习

PyTorch:DistributedDataParallel纸上谈兵（无实际测过）

原创 2022.4.6 论文选读

2022.4.6 论文选读

原创 Pytorch快速计算余弦相似性矩阵

Pytorch快速计算余弦相似性矩阵

原创 2022.3.28 论文选读

2022.3.28 论文选读

原创 Dataset Distillation by Matching Training Trajectories

2022.3.28 第11篇 CVPR2022 精读

原创 2022.3.25 arxiv选读

2022.3.25 arxiv选读

原创 自用数学基础知识

全网数学知识链接分享

原创 理解DNNs的特征表示

理解DNNs的特征表示

原创 2022.3.7 论文速览

2022.3.7 论文速览

原创 2022.2.28 论文速览

2022.2.28 论文速览

原创 Enhancing Knowledge Tracing via Adversarial Training

论文链接文章目录Prior KnowledgeIntroductionContributionsApproachProblem FormulationExperimentConclusionPrior KnowledgeKnowledge Tracing(KT)：使用学生的历史学习数据来模拟他们在一段时间内的知识掌握情况，从而预测他们未来的表现。举个例子：如下图所示，有一个学生做了1-4四题练习题，其中1、2、4做对了，3做错了，那么自然而然可以看出学生对第三题Linear Equations这个概念.

原创 Architecture Disentanglement for Deep Neural Networks

2022.2.11 第6次 简读 ICCV2021(Oral)

原创 Random Forest学习笔记

Random Forest...

原创 2022.2.1 arxiv速览

2022.2.1 第五次 arxiv论文速览Debiased-CAM to mitigate systematic error with faithful visual explanations of machine learning论文链接：https://arxiv.org/pdf/2201.12835.pdf机构：National University of Singapore，CSIC-UPC背景：Despite the fidelity of CAMs on clean images, r

原创 2022.1.24论文速览

2022.1.24 第四次 论文速览

原创 2022.1.23论文速览

2022.1.24 第三次 论文速览文章目录Graph-based High-order Relation Modeling for Long-term Action Recognition（CVPR2021）目的方法GCN-SE: Attention as Explainability for Node Classification in Dynamic Graphs (ICDM2021)目的方法Predicting Customer Value with Social Relationships vi

原创 Undistillable: Making A Nasty Teacher That CANNOT teach students

原创 常见攻击的t-SNE可视化

今天做实验顺便用t-SNE可视化了一下常见的对抗攻击方法。本文使用了CIFAR10数据集，且用了ResNet18模型，测试精度是94.78%，使用了FGSM、PGD、CW、JSMA、LocalSearch五种攻击方法，均来自advertorch包参数设置如下： if args.attack == 'FGSM': attack = GradientSignAttack(model, eps=0.3, targeted=False) elif args.attack == '

原创 Invisible Backdoor Attack with Sample-Specific Triggers

论文链接: Invisible Backdoor Attack with Sample-Specific Triggers代码链接：Invisible Backdoor Attack with Sample-Specific Triggers文章目录IntroductionIntroduction

原创 Adversarial Example Detection Using Latent Neighborhood Graph

2021.12.30 第11篇(ICCV2021) 精读

原创 Locality Sensitive Hashing

Locality Sensitive Hashing解读

原创 Detecting Adversarial Samples Using Influence Functions and Nearest Neighbors

2021.12.24 第10篇(CVPR2020) 粗读

原创 Shapley Values

Shapley Values

原创 Shallow-Deep Networks: Understanding and Mitigating Network Overthinking

2021.12.20 第9篇(ICML2019) 半精读

原创 Machine Unlearning

2021.12.16 第8篇 半精读

原创 Understanding Deep Networks via Extremal Perturbations and Smooth Masks

2021.12.11 第7篇(ICCV2019) 简读

原创 Are all layers created equal?

2021.12.10 第6篇(arxiv?) 简读

原创 View-Aware Geometry-Structure Joint Learning for Single-View 3D Shape Reconstruction

2021.12.9 第5篇(TPAMI2021) 粗读

原创 Fast is better than free: Revisiting adversarial training

2021.12.7 第四篇(ICLR2020) 半精读

原创 Clustering Effect of (Linearized) Adversarial Robust Models

2021.12.6 第三篇（NeurIPS 2021）半精读

原创 Feature Importance-aware Transferable Adversarial Attacks

2021.12.5 第二篇（ICCV2021）精读原文链接：Feature Importance-aware Transferable Adversarial Attacks代码链接：Feature Importance-aware Transferable Adversarial AttacksContributionspropose Feature Importance-aware Attack (FIA) that enhances the transferability of adver

原创 Learning Transferable Adversarial Perturbations

在知乎上关注了一个大佬ZehaoDou窦泽皓，基本做到每天或者隔两天更新一篇已读论文，特别佩服大佬的毅力，因此想像他学习，也算记录自己读过的部分论文，方便下次查找。最后附送大佬主页：ZehaoDou 窦泽皓2021.12.4 第1篇(NeurIPS 2021) 精读原文链接：Learning Transferable Adversarial Perturbations代码链接：Learning Transferable Adversarial Perturbations（截止目前，作者还只传了个壳）

原创 Torch对tensor的操作

本文不定期更新Torch对tensor的操作，以便自己翻阅。torch.arange包括start但不包括endtorch.arange(start=0, end=10)output: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])torch.range包括start也包括endtorch.range(start=0, end=10)output: tensor([ 0., 1., 2., 3., 4., 5., 6., 7., 8.,

原创 Masked Autoencoders Are Scalable Vision Learners

作为学术菜鸡的我跪着看完了kaiming大佬的论文，先po一个大佬主页：Kaiming He在讲Masked Autoencoders Are Scalable Vision Learners这个之前，由于笔者对Transformer没有太深理解，因此会穿插一些transformer以及ViT的知识，那么接下来就废话不多说进入正题吧。Masked Autoencoders Are Scalable Vision LearnersViT在讲MAE之前，为了更好的理解其思想，这里先简单的介绍下ViT。