spring扫描多个路径，存在两个名称相同的类，扫描时过滤掉

最新推荐文章于 2022-09-29 16:05:32 发布
最新推荐文章于 2022-09-29 16:05:32 发布
阅读量3.2k 收藏
点赞数
分类专栏： spring 文章标签： spring配置文件扫描多个路径下的类
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.youkuaiyun.com/YISHENGYOUNI95/article/details/80144533
版权 
	<context:component-scan base-package="com.windf">
		<context:exclude-filter type="annotation" expression="org.springframework.stereotype.Controller" />
	</context:component-scan>
	<context:component-scan base-package="com.whaty">
		<context:exclude-filter type="assignable" expression="com.whaty.framework.common.spring.SpringUtil" />
	</context:component-scan>

项目开发中遇到两个相同名称的类，在不同的路径下，扫描时过滤掉其中一个，使用expression过滤。

扫描多个路径下的类，直接再写一个<context:component>

【RS-Attack】Poisoning Attacks to Graph-Based Recommender Systems (ACSAC‘18)
chadlee
11-19 512
Poisoning Attacks to Graph-Based Recommender Systems ACSAC’18 这篇文章虽然是攻击图推荐模型，但是实际攻击的是Random Walk算法 Random Walk 选择N步作为随机步数的总数，即停止的目标 从初始点开始（ starting point），我们走得每一步都有一个概率，来决定我们继续或是重新开始（回到初始点） 当你决定要继续random walk时，你会统一（如果你的边是带有权重的，你可以做权重采样，比如rating）随机地从接下来的点
[阅读笔记]PoisonRec: An Adaptive Data Poisoning Frameworkfor Attacking Black-box Recommender Systems
qq_43532928的博客
09-05 588
摘要 可以帮助预测用户偏好的数据驱动的推荐系统被部署在许多真实的在线服务平台上。几项研究表明，它们很容易受到数据中毒攻击，而攻击者有能力误导系统按照他们的意愿行事。考虑到现实情况，推荐系统通常是攻击者的黑盒，其中可能部署复杂的算法，如何在推荐系统上学习有效的攻击策略仍然是一个有待探索的问题。在本文中，我们提出了一个自适应的数据中毒框架，该框架可以在非常有限的知识条件下自动学习各种推荐系统的有效攻击策略。PoisonRec利用了强化学习架构，即攻击代理主动将假数据（用户行为）注入推荐系统，然后通过严格的黑盒
【Paper-Attack】Poisoning Attacks to Graph-Based Recommender Systems
duanyuchen的博客
03-27 675
Poisoning Attacks to Graph-Based Recommender Systems 背景 一些研究显示推荐系统容易受到poisoning attack（向推荐系统注入虚假数据，从而使推荐系统按照攻击者的意愿做推荐）影响，现有研究在基于图的推荐系统上的工作还很少，都是基于关联规则的或者基于矩阵分解。 攻击者的目标：将target item推荐给越多的用户越好 挑战 如何给fake user分配打分，来使得target item被推荐给更多的正常用户？ ⇓ \Downarrow ⇓ 将po
Data Poisoning Attacks to Deep Learning Based Recommender Systems论文解读
爱学习爱运动的专栏
11-17 1853
1 摘要 在这项工作中，作者对基于深度学习的推荐系统的数据中毒攻击进行了首次系统研究。攻击者的目标是操纵推荐系统，以便向许多用户推荐攻击者选择的目标项目。为了实现这一目标，作者将精心设计的评分注入到推荐系统中的假用户。具体来说，作者将攻击表述为一个优化问题，这样注入的评分将最大化推荐目标项目的普通用户的数量。然而，解决优化问题具有挑战性，因为它是一个非凸整数规划问题。为了应对这一挑战，作者开发了多种技术来近似解决优化问题。作者在三个真实世界数据集（包括小型和大型数据集）上的实验结果表明，作者的攻击是有效的，
【论文阅读】Data Poisoning Attacks to Deep Learning Based Recommender Systems
CamillaXu的博客
12-01 2238
摘要 作者对基于深度学习的推荐系统实施了投毒攻击。 主要针对的推荐系统是：使用了**神经协同过滤框架（NCF）（采用了MLP深度学习算法）**的基于深度学习的推荐系统 通过构造一个毒药模型——用于预测假用户的评分项目，从而构造假用户，然后把假用户注入到推荐系统中，达到影响推荐系统对普通用户的推荐项目（让一个项目能尽可能多的出现在普通用户的推荐列表中） 主要工作 首次对基于深度学习的推荐系统的数据投毒攻击进行了系统研究 将攻击问题描述成一个最优化的问题，并且开发了多种技术来实现 评估了这种攻击方
RSPapers | 基于隐私保护的推荐系统论文合集
张小磊的博客
03-01 804
嘿，记得给“机器学习与推荐算法”添加星标近年来，推荐系统已经成为许多社交/购物/新闻平台中必不可少的组件。一方面，推荐系统为了更好的捕捉和建模用户的行为习惯以及历史偏好，需要大量收集用户和...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
以毒攻毒Fight Fire with Fire: Towards Robust Recommender Systems via Adversarial Poisoning Training论文解读
爱学习爱运动的专栏
11-13 2521
1 摘要 最近的研究表明，推荐系统是脆弱的，攻击者很容易将精心设计的恶意配置文件注入系统，从而导致有偏见的推荐。我们不能否认这些数据的合理性，因此建立一个强大的推荐系统势在必行。对抗性训练已被广泛研究以获得可靠的建议。然而，传统的对抗训练给参数（输入）增加了小的扰动，这不符合推荐系统中的中毒机制。因此，对于非常擅长学习现有数据的实用模型，它的表现并不好。为了解决上述限制，我们提出了对抗性中毒训练（APT）。它通过注入虚假用户（ERM 用户）来模拟中毒过程，这些虚假用户致力于最小化经验风险以构建一个强大的系统
yelp数据集（最新2017）
11-21
elp希望更多的学生利用这些数据，在研究中想出创新性方法，他们也提供了目前感兴趣的一些主题。 一是图片分类。目前他们虽然能识别出图片中类似于汉堡之类的食物，但是如何评价一张图片是否好看还有待研究。 二是自然语言处理和情感分析。用户评价数据里有很多能挖掘的元数据，可以用于推断语义、商户属性和情感。他们想知道评价里表达了什么，是好评还是差评。 三是图像挖掘。比如说挖掘出用户之间的关系是如何限定他们的使用规律，流行趋势的引导者在一家店火起来之前都是去哪儿吃饭的。
Defending Substitution-Based Profile Pollution Attacks on SequentialRecommenders
qq_43532928的博客
08-29 1019
摘要虽然序列推荐系统在捕获用户动态方面取得了显著的改进，但我们认为序列推荐系统对基于替代的轮廓污染攻击是脆弱的。为了证明我们的假设，我们提出了一种基于替代的对抗性攻击算法，该算法通过选择某些脆弱元素并用对抗性项目替换它们来修改输入序列。在非目标和目标攻击场景中，我们观察到使用所提出的轮廓污染算法的性能显著下降。基于这些观察结果，我们设计了一种有效的对抗性防御方法，称为狄利克雷邻域抽样(Dirichlet neighborhood sampling)。具体地说，我们从一个由多跳邻居构造的凸包中采样项嵌入，以替
Triple Adversarial Learning for Influence based PoisoningAttack in Recommender Systems
qq_43532928的博客
09-29 1784
摘要：推荐系统作为解决信息超载问题的一种重要手段，在电子商务、广告等多个领域得到了广泛的应用。然而，最近的研究表明，推荐系统很容易受到中毒攻击；也就是说，在推荐系统中注入一组精心设计的用户档案会严重影响推荐质量。目的（从先令攻击发展到基于优化的攻击，但在大多数攻击中生成的数据的不可感知性和危害是难以平衡的）为此，我们提出了一种基于影响的中毒攻击（三重对抗性中毒攻击），这是一种灵活的端到端中毒框架，可以生成不显著和有害的用户档案。具体来说，在考虑到输入噪声的情况下，试验攻击通过对生成器、鉴别器和影响模块的三重
基于深度学习的推荐系统中的毒药攻击
weixin_44760744的博客
01-20 1787
发表于2021年的NDSS，首个在基于深度学习的推荐系统中进行毒药攻击的研究。 《Data Poisoning Attacks to Deep Learning Based Recommender Systems》论文阅读笔记 背景： （1）推荐系统，从基于近邻，关联规则，矩阵分解，到基于深度学习的模型（非线性变换，传统方法达不到，性能好），已在工业界得到广泛应用。 非个性推荐系统：给所有用户推荐相同的项目； 个性化：根据用户的历史行为建模兴趣，给每个用户推荐排名靠前的几个 （2）推荐系统中的毒药攻击：
《推荐系统笔记（十四）》矩阵分解（MF）以及基于矩阵分解的topN推荐
qq_30841655的博客
08-04 948
前言 用户评分矩阵往往十分稀疏，为了对这种稀疏矩阵进行补全，充分利用已有数据，我们可以采用矩阵分解办法。实际上，一旦矩阵补全，相当于预测出用户对未购买物品的评分，基于这些评分，我们就可以对任何用户进行推荐。 本篇博客将对矩阵分解进行介绍，同时介绍两种常用的用来解决矩阵分解问题的算法SGD（随机梯度下降）和ALS（交叉最小二乘）。这两种优化方法还能用来解决两种简单的推荐算法。 我们都将利用movielens数据集，对这些方法进行简单的实战演示。 MF 给定用户评分矩阵Rm×nR_{m\times n}Rm×n
【论文笔记】Efficient Label Contamination Attacks Against Black-Box Learning Models
lasetd的博客
07-01 648
论文笔记
阅读笔记[3]Revisiting Adversarially Learned Injection Attacks AgainstRecommender Systems
qq_43532928的博客
09-13 407
摘要 推荐系统在现代信息和电子商务应用中发挥着重要的作用。虽然越来越多的研究致力于提高建议的相关性和多样性，但最先进的推荐模型的潜在风险探索不足，也就是说，这些模型可能会受到来自恶意第三方的攻击，通过注入虚假的用户交互来实现其目的。本文重新讨论了反向学习的注入攻击问题，即注入的假用户“行为”由攻击者用自己的模型在局部学习——该模型可能与被攻击的模型不同，但具有相似的属性，允许攻击转移。我们发现，现有文献中的大多数作品都有两个主要的局限性：（1）他们不能精确地解决优化问题，使攻击的危害更小，（2）他们假设完
数据投毒攻防对抗技术-2.推荐系统中的数据投毒
博客地址 www.sec0nd.top
05-12 3207
我们身处在一个信息爆炸的时代，从看书看报，到看直播、刷微博、短视频，信息的体量越加庞大，信息呈现的形式越加丰富。我们享受信息便捷获取的满足感，但信息过载也会让我们感到焦虑。 作为解决信息过载问题的有效手段，推荐系统目前广泛应用于电商网站、电影音乐、社交网络等领域。对推荐系统中投毒攻击的研究的必要性：根据已经存在的某种联系去预测未来有可能的联系目的：攻击者出于某些目的扶持或打压某些物品。方式：数据投毒攻击(因为本门课程是数据投毒攻击课程，暂只介绍此种) 攻击者通过批量制造假用户资料，并装作是与被欺骗用户兴趣相
poison frogs! targeted clean-label poisoning attacks on neural networks复现
最新发布
10-22
targeted clean-label poisoning attacks on neural networks”这是一个关于对神经网络进行有针对性的干净标签中毒攻击的研究项目。在这种攻击中，研究人员通过修改训练数据集中的特定标签，以欺骗神经网络模型以误...
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