<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Seaern的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Seaern</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Seaern]]></copyright><item><title><![CDATA[记chrome打不开网址，无法搜索问题]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/134308289</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/134308289</guid><author>Seaern</author><pubDate>Thu, 09 Nov 2023 11:55:25 +0800</pubDate><description><![CDATA[下载插件，解压后拖入chrome的扩展程序中，可以打开国内网址。]]></description><category></category></item><item><title><![CDATA[c++入门]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/131751690</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/131751690</guid><author>Seaern</author><pubDate>Thu, 31 Aug 2023 17:56:56 +0800</pubDate><description><![CDATA[.....]]></description><category></category></item><item><title><![CDATA[coop：Learning to Prompt for Vision-Language Models]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123247396</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123247396</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:57:28 +0800</pubDate><description><![CDATA[提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录摘要一、Introduction二、Related Work1.引入库2.读入数据总结

摘要
像CLIP这样的大型预训练视觉语言模型在学习表征方面显示出了巨大的潜力，这些表征可在广泛的下游任务中迁移。与传统的基于离散标签的表示学习不同，视觉语言的预训练将图像和文本对齐在一个共同的特征空间中，通过提示将零射转移到任何下游任务，即从描述感兴趣类的自然语言合成分类权值。在这项工作中,我们表明,部署的一个主要挑战这样的模型在实践中促使工程]]></description><category></category></item><item><title><![CDATA[cv对抗攻击]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123373632</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123373632</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:56:58 +0800</pubDate><description><![CDATA[Intriguing properties of neural networks（Box-constrained L-BFGS）
	
作者发现了可以通过对抗攻击使神经网络做出错误的预测，需要在图片上加入一些微小的扰动信息得到对抗样本，这些扰动信号要足够小不容易区分。该扰动是通过最大化网络的预测误差发现的。 此外，这些扰动的特定性质不是学习的随机产物：相同的扰动会导致在数据集的不同子集上训练的不同网络对相同输入出现分类错误。

作者提出了一种生成对抗样本的方法，称为 Box-constrained L-B..]]></description><category></category></item><item><title><![CDATA[TensorFlow：tf.scan与tf.map_fn]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123545441</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123545441</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:54:35 +0800</pubDate><description><![CDATA[scan(
    fn,
    elems,
    initializer=None,
    parallel_iterations=10,
    back_prop=True,
    swap_memory=False,
    infer_shape=True,
    name=None
)


map_fn(
    fn,
    elems,
    dtype=None,
    parallel_iterations=10,
    back_prop=True,
    sw.]]></description><category></category></item><item><title><![CDATA[A Prompting-based Approach for Adversarial Example Generation andRobustness Enhancement]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123730909</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123730909</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:53:17 +0800</pubDate><description><![CDATA[词级生成

现有的词级攻击主要基于从一些预先给定的候选词集中搜索替换词。我们的生成攻击方法会提示PLM在恶意触发文本的影响下修改原始输入中的某些单词。与这些基于搜索的攻击不同，我们的方法不从给定的集合中选择替换，而是在给定的上下文中生成替换。因此，它可以生成更丰富、更流畅的句子。PAT包括两个主要步骤：即时构建和候选生成。

我们提出了一种变体提示构造方法，该方法包含两个主要步骤：屏蔽x中的某些位置以获得x0，以及将x0与恶意触发器连接。为了引导掩码填充过程改变下游模型的预测，应该设计一个触发器，它是包..]]></description><category></category></item><item><title><![CDATA[关于学习过程中的小点]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/124421025</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/124421025</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:52:44 +0800</pubDate><description><![CDATA[nfev: 函数求值次数
	njev: Jacobian 评估的数量
	nit:算法的迭代次数



permute(dims)#维度转换
torch.split #[按块大小拆分张量]


Pytorch中使用view()函数对张量进行重构维度，类似于resize()、reshape()。用法如下：view(参数a,参数b,...)，其中总的参数个数表示将张量重构后的维度，如果参数=-1，表示这该维度由pytorch自己补充。

例如 张量a的维度为1*6，a.view(2,3)的维度为2*3，...]]></description><category></category></item><item><title><![CDATA[A Multimodal Adversarial Attack Framework Based on Localand Random Search Algorithms]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/129986783</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/129986783</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:51:05 +0800</pubDate><description><![CDATA[由于现有的对抗性攻击是针对特定应用的，并且难以通用，我们提出了一种多模式对抗性攻击框架来攻击文本和图像分类器。将所提出的方法与MNIST数据集中的其他图像对抗性攻击进行比较，该框架中的PSO搜索具有98.4%的攻击成功率，优于其他方法。与其他文本对抗性攻击相比，该框架中的波束搜索的攻击成功率为91.5%，优于其他现有和提出的搜索方法。尽管有许多对抗性攻击被提出来揭示图像和文本神经网络分类器的脆弱性，但如何实现既能生成文本又能生成图像对抗性示例的对抗性攻击仍然是一个难题。例如，语言替代方法是特定于应用的。]]></description><category></category></item><item><title><![CDATA[跑通代码Dual-Key]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/130843679</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/130843679</guid><author>Seaern</author><pubDate>Sun, 16 Jul 2023 16:47:00 +0800</pubDate><description><![CDATA[然后可以使用Orchestrator提取所有4个检测器的所有特征，并组成干净的数据集。在开始木马模型训练之前，为了测量木马模型的清理精度，也有必要组成干净的数据集。在生成任何木马数据集之前，需要干净的图像特征，因为木马数据集中的大部分数据都是干净的。干净的specs是由上文链接提供的，或者可以用:  （--clean启用干净数据规格的特殊模式）每个模型规范指向一个数据集规范，每个数据集规范指向一个特性规范。Make_specs.py可以根据设置创建具有模型规格集合的文件，或者单个模型规格的文件。]]></description><category></category></item><item><title><![CDATA[Multifeature Collaborative Adversarial Attack in Multimodal Remote Sensing Image Classification]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/129665451</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/129665451</guid><author>Seaern</author><pubDate>Mon, 20 Mar 2023 13:35:31 +0800</pubDate><description><![CDATA[深度神经网络具有较强的特征学习能力，但其脆弱性不容忽视。目前的研究表明，深度学习模型在遥感（RS）分类任务中受到对抗性示例的威胁，并且在面对对抗性攻击时其鲁棒性急剧下降。因此，已经研究了许多对抗性攻击方法来预测网络所面临的风险。然而，现有的对抗性攻击方法主要集中在单模态图像分类网络上，RS数据的快速增长使多模态RS图像分类成为研究热点。生成多模式对抗性示例需要考虑高攻击成功率、细微的扰动以及不同模式之间的协作攻击能力。]]></description><category></category></item><item><title><![CDATA[Towards Adversarial Attack on Vision-Language Pre-training Models]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/129005617</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/129005617</guid><author>Seaern</author><pubDate>Thu, 16 Feb 2023 18:57:55 +0800</pubDate><description><![CDATA[虽然视觉-语言预训练模型(VLP)在各种视觉-语言(V+L)任务上表现出革命性的改进，但关于其对抗鲁棒性的研究在很大程度上仍未被探索。本文研究了常用VLP模型和V+L任务的对抗性攻击。首先，我们分析了不同设置下对抗性攻击的性能。通过研究不同扰动对象和攻击目标的影响，我们总结出一些关键的观察结果，作为设计强健多模态对抗性攻击和构建鲁棒VLP模型的指导。其次，我们在VLP模型上提出了一种新的多模态攻击方法，称为协同多模态对抗攻击(Co-Attack)，它共同对图像模态和文本模态进行攻击。]]></description><category></category></item><item><title><![CDATA[How Can We Know What Language Models Know?]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/128193379</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/128193379</guid><author>Seaern</author><pubDate>Tue, 06 Dec 2022 16:51:26 +0800</pubDate><description><![CDATA[最近的工作通过让语言模型（LM）填补诸如“奥巴马是一个职业”之类的提示的空白，提出了一个有趣的结果，以检查语言模型（LM）中包含的知识。这些提示通常是手动创建的，而且很可能不是最佳的；另一个提示，如“奥巴马曾是一名”，可能会更准确地预测正确的职业。因此，如果给出不适当的提示，我们可能无法检索LM确实知道的事实，因此任何给定的提示都只能提供LM中包含的知识的下限估计。在本文中，我们试图通过自动发现在查询过程中使用的更好提示来更准确地估计LMs中包含的知识。具体而言，我们提出了基于挖掘和基于释义的方法来自动生成]]></description><category></category></item><item><title><![CDATA[Simple Black-box Adversarial Attacks]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/128075603</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/128075603</guid><author>Seaern</author><pubDate>Mon, 28 Nov 2022 17:59:06 +0800</pubDate><description><![CDATA[我们提出了一种有趣的简单方法，用于在黑盒环境中构建对抗性图像。与白盒场景相比，构建黑盒对抗图像对查询预算有额外的限制，而有效的攻击至今仍是一个悬而未决的问题。仅在连续值置信分数的温和假设下，我们的高效查询算法利用了以下简单的迭代原理： 我们从预定义的正交基中随机采样向量，并将其添加或减去到目标图像中。尽管简单，但所提出的方法既可以用于无目标攻击，也可以用于有目标攻击，这在两种设置中都带来了前所未有的查询效率。]]></description><category></category></item><item><title><![CDATA[李宏毅2022hw2]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/125637552</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/125637552</guid><author>Seaern</author><pubDate>Wed, 06 Jul 2022 14:34:53 +0800</pubDate><description><![CDATA[数据预处理:从原始波形中提取MFCC特征(TAs已经做了!)
分类:使用预先提取的MFCC特征进行帧级音素分类任务:多级分类
从语音中进行基于框架的音素预测数据：由于每一帧只包含25毫秒的语音，因此单个帧不可能代表一个完整的音素
通常，一个音素会跨越几个帧
将相邻的音素连接起来进行训练 每一段是39长度的向量。 将相邻的音素连接起来进行训练，然后会给出前后五段的数据，也就是我们有11*39 = 429 维度的一个特征，根据这个特征去做分类 。1.修改参数2.修改网络，增加归一化和dropout...]]></description><category></category></item><item><title><![CDATA[linux突然所有命令都失效了，显示bash: xxxxx: command not found...]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/124020694</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/124020694</guid><author>Seaern</author><pubDate>Thu, 07 Apr 2022 16:49:26 +0800</pubDate><description><![CDATA[大佬就是大佬！！！

两句命令解决


 其一：直接在linux命令行界面输入如下，然后回车（导入环境变量，以及shell常见的命令的存放地址）：

     export PATH=/usr/local/sbin:/usr/local/bin:/sbin:/bin:/usr/sbin:/usr/bin:/root/bin


其二：如果系统所有命令都不能使用时，还可以使用绝对命令vi打开profile
       /bin/vi  /etc/profile

       在系统的配置文件里添加环境变量]]></description><category></category></item><item><title><![CDATA[Label Inference Attacks Against Vertical Federated Learning]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123889914</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123889914</guid><author>Seaern</author><pubDate>Fri, 01 Apr 2022 09:44:19 +0800</pubDate><description><![CDATA[USENIX Security 2022

摘要：

随着欧盟《通用数据保护条例》、中国《中华人民共和国数据安全法》等法案的颁布实施，联邦学习（Federated Learning，FL）作为一种具有隐私保护属性的分布式机器学习模型训练范式，日益被各大互联网公司所重视。

FL中的分支之一，水平联邦学习（Horizontal Federated Learning，HFL）适用于如下场景：各个训练参与者（或称数据提供者，以下统一称为“参与者”）的数据集在特征空间对齐，而在样本空间互不重叠；例如两个不同地域的地]]></description><category></category></item><item><title><![CDATA[DART: Open-Domain Structured Data Record to Text Generation]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123889114</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123889114</guid><author>Seaern</author><pubDate>Fri, 01 Apr 2022 09:27:35 +0800</pubDate><description><![CDATA[动机：

数据到文本这个领域依然有很多挑战：首先，它们采用扁平的数据本体结构，例如数据记录的槽值对或者表格的扁平形式。这种扁平化的结构不足以在结构化数据的本体中编码丰富的语义关系，尤其是表，这些语义关系可以利用这些语义知识进一步改进表的表示。
	其次，一些数据集只关注少量的领域或知识图，因此提供有限数量的谓词和数据本体。此外，由于任务的性质和自动生成过程的原因，其中一些算法在数据输入和句子之间只存在松散的对齐。
为了解决这些问题，我们提出了structured DAta-Record-to-Text（DAR]]></description><category></category></item><item><title><![CDATA[Visual Prompt Tuning]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123732732</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123732732</guid><author>Seaern</author><pubDate>Fri, 25 Mar 2022 12:49:22 +0800</pubDate><description><![CDATA[我们提出视觉提示调整（VPT）来适应大型预先训练的视觉转换器模型。VPT将少量可学习的参数注入transformers的输入空间，并在下游训练阶段保持主干冻结。整体框架如图

（a）为每个变压器-编码器层的输入（VPT-deep）预先设置一组可学习的参数；

（b） 仅将提示参数插入第一层的输入（VPTshallow）。

在下游任务的培训过程中，只有提示和线性头的参数会更新，而整个变压器编码器会被冻结。
...]]></description><category></category></item><item><title><![CDATA[A Prompting-based Approach for Adversarial Example Generation andRobustness Enhancement]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123731253</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123731253</guid><author>Seaern</author><pubDate>Fri, 25 Mar 2022 12:35:48 +0800</pubDate><description><![CDATA[词级生成

现有的词级攻击主要基于从一些预先给定的候选词集中搜索替换词。我们的生成攻击方法会提示PLM在恶意触发文本的影响下修改原始输入中的某些单词。与这些基于搜索的攻击不同，我们的方法不从给定的集合中选择替换，而是在给定的上下文中生成替换。因此，它可以生成更丰富、更流畅的句子。PAT包括两个主要步骤：即时构建和候选生成。

我们提出了一种变体提示构造方法，该方法包含两个主要步骤：屏蔽x中的某些位置以获得x0，以及将x0与恶意触发器连接。为了引导掩码填充过程改变下游模型的预测，应该设计一个触发器，它是包..]]></description><category></category></item><item><title><![CDATA[tmux的使用]]></title><link>https://blog.youkuaiyun.com/Seaern/article/details/123716816</link><guid>https://blog.youkuaiyun.com/Seaern/article/details/123716816</guid><author>Seaern</author><pubDate>Thu, 24 Mar 2022 17:31:06 +0800</pubDate><description><![CDATA[1.新建


tmux new -s 名称

2.退出

第一步：输入组合键 Ctrl+B，然后松开。
	第二步：输入字母 d。
3.查看


tmux ls

4.进入


tmux a -t 名称

5.删除


tmux kill-session -t 2
]]></description><category></category></item></channel></rss>