什么是对抗学习

最新推荐文章于 2025-09-30 11:38:47 发布

原创最新推荐文章于 2025-09-30 11:38:47 发布 · 6k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

部署运行你感兴趣的模型镜像

深度学习中的对抗学习

就是两个网络互相竞争对抗，一个生成网络，一个判别网络
生成网络生成假数据------------------以假乱真
判别网络判别真假数据---------------找出假数据
两个网络都在不断增强

您可能感兴趣的与本文相关的镜像

Qwen3-8B

文本生成

Qwen3

Qwen3 是 Qwen 系列中的最新一代大型语言模型，提供了一整套密集型和专家混合（MoE）模型。基于广泛的训练，Qwen3 在推理、指令执行、代理能力和多语言支持方面取得了突破性进展

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

iridescentc

关注关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【机器学习】什么是对抗样本？对抗样本原理及分析.mp4

06-29

【机器学习】什么是对抗样本？对抗样本原理及分析，原作者Arxiv Insights。对抗样本由Christian Szegedy等人提出，是指在数据集中通过故意添加细微的干扰所形成的输入样本，导致模型以高置信度给出一个错误的输出。...

精选资源

人工智能-强化学习-基于强化学习的空战对抗

01-01

基于强化学习的空战对抗利用值函数逼近网络设计无人机空战自主决策系统，采用epsilon贪婪策略，三层网络结构。其中包含了无人机作为质点时的运动模型和动力学模型的建模。由于无人机作战的动作是连续并且复杂的...

参与评论您还未登录，请先登录后发表或查看评论

【深度学习基础】对抗学习（Adversarial learning）

十二月的猫

11-28

4850

本系列文章，重点帮助大家理解机器学习中的各种学习包括多任务学习、联邦学习、对比学习等。今天，猫猫来讲讲对抗学习，希望可以和大家一起打开对抗学习的大门！机器学习这一技术自出现之始就以优异的性能应用于各个领域。近年来，随着机器学习的快速发展与广泛应用，这一领域更是得到前所未有的蓬勃发展。目前, 机器学习在计算机视觉、语音识别、自然语言处理等复杂任务中取得了公认的成果，已经被广泛应用于自动驾驶、人脸识别等领域。

对抗学习概念、基本思想、方法综述

最新发布

Pythonlpx的博客

09-30

1695

看b站李宏毅教授的课程，了解对抗攻击One pixel attack、universal adversarial attack、attack in the physical world等等“Backdoor“ in Model 对训练集中的图片进行攻击，使得模型在经过该数据集训练后，识别特定图像时会发生错误。告诫我们在我们训练模型时，谨慎挑选数据集。防御：被动防御:模糊化、影像压缩再解压缩、Generator，但一旦被知道极易被破解，所以要引入randomization，可这种方法也并非绝对安全。

机器学习中火爆的对抗学习是什么，有哪些应用？

weixin_49669196的博客

03-02

1万+

1、什么是对抗学习？机器学习这一技术自出现之始就以优异的性能应用于各个领域。近年来，随着机器学习的快速发展与广泛应用，这一领域更是得到前所未有的蓬勃发展。目前, 机器学习在计算机视觉、语音识别、自然语言处理等复杂任务中取得了公认的成果，已经被广泛应用于自动驾驶、人脸识别等领域。随着机器学习技术遍地开花，逐渐深入人们的生活，其也被应用在许多例如安防、金融、医疗等对安全有严格要求的领域中，直接影响着人们的人身、财产和隐私的安危。在一系列重大进展面前, 机器学习在越来越多的被应用到人类生活的方方面面，在这时

深度学习（十九）对抗学习（1）

QuinnHanz的博客

07-06

4789

sorry,笔记正在上传。。。

对抗机器学习和对抗学习

Drug discovery

10-31

1万+

机器学习近年来在许多方面取得了巨大的成功，但是安全性问题却一直没有得到人们的重视。这里把他们二人提出的问题定义为机器学习的安全和隐私问题。对抗机器学习（Adverserial Machine Learning）作为机器学习研究中的安全细分方向，在一定程度上保证模型的安全性。攻击者对计算机方面的攻击可以使用三个指标进行衡量，也就是CIA（confidentiality，integrity，availability），中文名是机密性、完整性、可用性。下面来介绍这三个指标。机密性：机密性可以等同私密

领域自适应｜对比学习 VS 对抗学习

qq_39951635的博客

12-29

1833

因此，对比学习是基于最大化特征表示对数似然的思想，从特征表示层面加以限制，拉近同一类别领域相关的知识，并区分不同类别的分类知识。优点是训练相对稳定，且可以获得数据的潜在表示；缺点是生成的样本可能较为模糊；对抗学习是基于博弈论的思想，引入额外的domain鉴别器，使其无法区分特征提取器生成的source domain和target domain的数据（极端来讲，特征表示可以离的远但要难以被区分），优点是可以生成高质量的样本，缺点是训练不稳定，可能遭遇模式崩溃。

对抗学习 原理与代码实例讲解

AI大模型应用之禅

06-28

859

1. 背景介绍 1.1 问题的由来 对抗学习是近年来在机器学习领域中备受关注的一种新型学习方式。它的出现源于对传统的监督学习和非监督学习的不满足，以及对生成模型的强烈需求。对抗学习的核心思想是通过两个模型的相互对抗，使得生成模型能够生成越来越逼真的数据。 1.2

对抗学习

weixin_39940694的博客

11-09

304

对抗学习 主体内容参考再embending上加入一个扰动，满足扰动最大但是求解的loss还是最小。其中扰动最大在函数外部做好了，认为沿着梯度上升的方向是扰动最大方向。因为梯度下降是最好的，那上升就是破坏最严重的。先去改变了embending的值，方法是embending+梯度上升。最后更新的时候恢复embending的值data。让正常的参数的梯度加上扰动的参数梯度。等效于加入扰动。对pytorch训练模型三部必须操作理解更深刻。参考， loss.backward()仅仅是求解梯度。

dcgan_mnist（对抗学习）

03-14

提供详细的对抗学习的python程序，并提供具体实例验证，

【AI原理解析】—对抗学习（AL）原理

深耕AI领域，专注中、高人工智能领域发展；同步研究电磁学及超导材料、量子力学；关注能源发展和技术，同时进行医学创新

07-14

3700

对抗学习的核心思想是通过两个模型的相互对抗，使得生成模型（Generator）能够生成越来越逼真的数据，以欺骗判别模型（Discriminator）。同时，判别模型的目标则是尽可能准确地判断出生成模型生成的数据和真实数据。未来，对抗学习有望在更多领域发挥重要作用，为机器学习技术的发展带来新的突破。对抗性损失函数是衡量生成模型和判别模型之间对抗程度的函数，它是对抗学习的核心。包括判别模型，生成模型，真实数据的分布，随机噪声的分布，期望，对数函数。对抗学习主要包括两个核心模型：生成模型和判别模型。

笔记——对抗学习

lzay的博客

08-27

993

早在 2014 年，Szegedy et al. [1] 发现只要对深度学习模型的输入添加一些微小的扰动就能轻易改变模型的预测结果。后续的研究将该种扰动称之为对抗扰动，扰动后的输入称为对抗样本，将输入对抗样本误导模型的这一过程称为对抗攻击。深度学习模型遭遇对抗攻击时所表现出的脆弱性，给实际应用带来了极大的风险。自然语言处理的应用比如文本分类、情感分类、问答系统、推荐系统等也都受到了对抗攻击的威胁在上述背景下，已经有大量的研究集中于提升深度学习模型对于对抗攻击的鲁棒性（也称为对抗防御），其中对抗训练是其中的

机器学习对抗性攻击

优快云人工智能

01-04

1万+

随着人工智能和机器学习技术在互联网的各个领域的广泛应用，其受攻击的可能性，以及其是否具备强抗打击能力一直是安全界一直关注的。之前关于机器学习模型攻击的探讨常常局限于对训练数据的污染。由于其模型经常趋向于封闭式的部署，该手段在真实的情况中并不实际可行。在GeekPwn2016硅谷分会场上，来自北美工业界和学术界的顶尖安全专家们针对当前流行的图形对象识别、语音识别的场景，为大家揭示了如何通过构造对抗性...

对抗式主动学习三部曲(GAAL 、VAAL、TA-VAAL)---入内不亏

qq_36317312的博客

04-03

3554

Generative Adversarial Active Learning–生成性对抗性主动学习第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性, Abstract 提出了一种新的基于产生式对抗网络(GAN)的主动查询合成学习方法。与常规的主动学习不同，该算法自适应地合成训练实例进行查询，提高了学习速度。在某些情况下，该算法的性能优于传统的基于池的方法。 Introduction GAN(生成性对抗网络) GAN的想法很简单：以假乱真涉及两个“对手”：Gen

对抗学习 学习笔记

qq_41727987的博客

04-26

6715

师兄整理的列表：https://github.com/Guo-Yunzhe/Adversarial_Learning_Paperhttps://gitee.com/guoyunzhe/Adversarial_Learning_SurveyFGSM生成对抗样本的试写：https://github.com/Guo-Yunzhe/adversarial_machine_learning已看完：Intri...

深度学习（十九）对抗学习（3）

QuinnHanz的博客

07-06

1065

sorry,笔记正在上传。。。

深度学习----对抗学习

qq_44896301的博客

11-18

791

首先：要认识对抗训练，首先要了解 “对抗样本”，在论文 Intriguing properties of neural networks 之中有关于对抗样本的阐述。简单来说，它是指对于人类来说 “看起来” 几乎一样，但对于模型来说预测结果却完全不一样的样本，比如下面的经典例子（一只熊猫加了点扰动就被识别成了长臂猿）。生成网络生成假数据------------------以假乱真；判别网络判别真假数据---------------找出假数据；就是两个网络互相竞争对抗，一个生成网络，一个判别网络；

基于MNIST的DCGAN对抗学习实践

在人工智能领域中，对抗学习（Adversarial Learning）已经成为一个重要的研究方向，它涉及利用对抗网络（Adversarial Networks）来生成和识别数据。本文将详细介绍dcgan_mnist这一案例，它是一个基于MNIST数据集的...