对抗学习 学习笔记

最新推荐文章于 2025-02-27 11:39:16 发布
最新推荐文章于 2025-02-27 11:39:16 发布
阅读量6.6k 收藏 65
点赞数 6
分类专栏： 对抗性学习 Adversarial Learning
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/qq_41727987/article/details/80090081
版权
这篇博客主要探讨了对抗学习的相关资源和论文，包括FGSM生成对抗样本、深度学习模型的对抗样本生成、CNN可视化、黑箱攻击、防御方法等。此外，还介绍了蒸馏模型作为防御手段和对抗学习在物理世界中的应用。博主还分享了对神经网络和对抗样本的思考，并提到了一些防御策略和未来的研究方向，如集成学习和模型的泛化能力。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

师兄整理的列表：

https://github.com/Guo-Yunzhe/Adversarial_Learning_Paper

https://gitee.com/guoyunzhe/Adversarial_Learning_Survey

FGSM生成对抗样本的试写：

https://github.com/Guo-Yunzhe/adversarial_machine_learning


已看完：

* Intriguing Properties of Neural Networks,2013 （对抗样本在NN）

【https://www.cnblogs.com/lainey/p/8552422.html】

深度学习笔记 （bp，卷积层，池化层，全连接层，激活函数层，softmax层的前向反向实现）（看完文字）

【https://blog.youkuaiyun.com/l691899397/article/category/6366964】 

* Explaining and Harnessing Adversarial Examples （如何生成对抗样本？FGSM）

【https://zhuanlan.zhihu.com/p/32784766 https://zhuanlan.zhihu.com/p/33875223 文章总结】【https://blog.youkuaiyun.com/u014038273/article/details/78773515 FGSM小结】

* Visualizing and Understanding Convolutional Networks.CVPR2014 （CNN可视化）

【https://blog.youkuaiyun.com/tina_ttl/article/details/52048765】

* Adversarial Machine Learning, 2011（2011年的一个综述，对攻击机器学习的方法/目的作的一个分类/防御者弱点分析/攻击者限制）

* Adversarial Machine Learning at Scale, ICLR 2017（对抗学习在大尺度数据集上的应用，增加鲁棒性，标签泄露）

【https://blog.youkuaiyun.com/kearney1995/article/details/79789899】

* Adversarial examples in the physical world（上一篇的姊妹篇，比较的生成对抗样本的方法类型差不多，有更详细的表述。物理世界中的对抗样本，有打印重照、亮度对比度等调整）

【https://blog.youkuaiyun.com/u010710787/article/details/78916762】

最低0.47元/天 解锁文章
【深度学习基础】对抗学习（Adversarial learning）
十二月的猫
11-28 4018
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。
深度学习笔记——生成对抗网络GAN
haopinglianlian的博客
11-29 2610
本文详细介绍早期生成式AI的代表性模型：生成对抗网络GAN。
对抗学习
weixin_39940694的博客
11-09 269
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。
对抗学习在安全领域的应用
shandongjiushen的博客
02-27 560
为了帮助大家更好的学习网络安全，小编给大家准备了一份网络安全入门/进阶学习资料，里面的内容都是适合零基础小白的笔记和资料，不懂编程也能听懂、看懂，所有资料共282G，朋友们如果有需要全套网络安全入门+进阶学习资源包，可以点击免费领取（如遇扫码问题，可以在评论区留言领取哦）~😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓👉优快云大礼包🎁：全网最全《网络安全入门&进阶学习资源包》免费分享（安全链接，放心点击）👈。
什么是对抗学习
iridescentc的博客
04-12 5964
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 ...
笔记——对抗学习
lzay的博客
08-27 939
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
深度学习----对抗学习
qq_44896301的博客
11-18 768
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；
李沐动手学深度学习-学习笔记
最新发布
03-15
此外，学习笔记还会有选择地介绍一些深度学习的最新进展和前沿话题，如生成对抗网络（GAN）、自注意力机制、transformer模型等。通过这些内容，学习者可以对深度学习的未来发展方向有一个基本的认识和预测。 《李沐...
GAN生成对抗网络学习笔记
2301_77799531的博客
05-16 355
（Generative Adversarial Network）对抗神经网络是一种，由一对神经网络组成：生成器和判别器。生成器的目的是学习生成数据的分布，它将随机噪声作为输入并生成与真实数据相似的输出。判别器的目的是学习将生成器生成的数据与真实数据区分开来。生成器和判别器在训练过程中相互对抗，生成器尝试生成越来越真实的数据来欺骗判别器，而判别器尝试识别哪些数据是真实的哪些是生成的。
【生成对抗网络】学习笔记2023.9.7-9.13
gengmeng_的博客
09-13 191
参考博客链接如下： https://blog.youkuaiyun.com/weixin_38346042/article/details/121633697 https://blog.youkuaiyun.com/weixin_45377629/article/details/124006451 https://zhuanlan.zhihu.com/p/618066889对抗式过程的最终目标是尽可能逼真地模拟数据集的分布。例如，当提供一个汽车图像的数据集Xreal时，GAN的目标是生成可信的汽车图像Xfake。GAN中的Gene
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，
对抗学习概念、基本思想、方法综述
热门推荐
Pain is inevitable but suffering is optional.
04-16 2万+
对抗学习的基本概念 要认识对抗训练，首先要了解 “对抗样本”，它首先出现在论文 Intriguing properties of neural networks 之中。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） 对抗学习的基本思想 Min-Max公式： max函数指的是，我们要找到一组在样本空间内、使Loss最大的的对抗样本（该对抗样本由原样本x和经过某种手段得到的扰动项r_adv共同组合得到
【学习笔记】对抗机器学习
Glass_Gun的博客
03-08 595
机器学习系统中的攻击和防御对抗环境下的无监督学习在对抗环境下，无监督学习的两个常见用途是攻击聚类和异常检测。强化学习马尔可夫决策过程（Markov Decision Process，MDP）为强化学习（Reinforcement Learning，RL）提供数学基础。
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
对抗学习列表
u012746763的专栏
06-30 1089
Deep neural networks are easily fooled, Nguyen et al, 2015 Practical black-box attacks against deep learning systems using adversarial examples, Papernot et al, 2016 Adversarial examples in the
深度学习（十九）对抗学习（1）
QuinnHanz的博客
07-06 4754
sorry,笔记正在上传。。。
Adversarial learned Inference（对抗学习推断器）
weixin_40680322的博客
09-13 1268
一. 模型结构 生成网络Gx(z)G_x(z)Gx​(z)：将潜在变量的随机样本映射到数据空间； 推断网络Gz(x)G_z(x)Gz​(x)：将数据空间的训练样本映射到潜在变量空间； 判别网络D(x,z)D(x,z)D(x,z)：分辨联合样本（潜在变量和训练样本(x,z)(x,z)(x,z)）是来自生成网络还是推断网络的。 【参考】 ADVERSARIALLY LEARNED INFERENCE 从GAN 到 ALICE 的简单介绍 ...
对抗机器学习——Universal adversarial perturbations
jmhIcoding
10-11 2082
代码地址： https://github.com/LTS4/universal 核心思想： 本文提出一种 universal对抗扰动，universal是指同一个扰动加入到不同的图片中，能够使图片被分类模型误分类，而不管图片到底是什么。示意图： 在这里插入图片描述 形式化的定义： 对于d维数据分布 μ，里面的每一个样本x∈R^d~μ，存在一个分类器k(x)→[1…k]。v是一个扰动，v满足： 同...
对抗机器学习模型
qq_43751506的博客
04-24 1220
Attack ML Models的意义： 如果要把神经网络模型用到生活中，那么这个模型就要求不但能够对抗普通的噪声，还要能够对抗一些人们特别制作的噪声，也就是对抗人类恶意的攻击。 （1）正常训练的神经网络模型训练是希望预测结果与正确答案越接近越好，所以最小化损失函数，而无目标的对抗攻击不同，它希望预测结果与答案越远越好，也就是最大化损失函数。 （2）有目标的对抗攻击是在无目标对抗攻击的基础上，不...
评论 1
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