对抗样例相关技术综述

最新推荐文章于 2023-09-22 16:21:12 发布
最新推荐文章于 2023-09-22 16:21:12 发布
阅读量406 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： AIsecurity 文章标签： 对抗样本
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/u010710787/article/details/79001679
  • Christian Szegedy ， L-BFGS 求解对抗样例 2013 ICLR
  • Ian Goodfellow, FGSM,FGM 快速梯度符号法 2014 ICLR
  • Nicolas Papernot，蒸馏的防御方法防御 2016 EuSP
  • Nicolas Papernot, JSMA, 2016 SP
  • Nicholas Carlini 迭代 2017 SP
  • Hao Chen, 防御 2017 CCS
  • Anh Nguyen 基于演化（EA）算法的生成 2015 CVPR
  • Nicolas Papernot，对抗样例进行黑盒攻击，用替代的模型逼近 2017 AsiaCCS
  • Dawn Song， 对抗样例的迁移性，利用集成的算法来生成对抗样例 2017 ICLR
生成对抗网络——研讨会
qq_36820823的博客
12-03 2008
希望简单介绍作者的成长背景，为大家提供借鉴，学习别人的成长路径，如何规划自己的学术生涯，以及如何做出开创性的工作，当时是什么情况，是如何想到的。GAN的作者Ian J. Goodfellow是一名加州长大的美国人，被誉为"GAN之父"。目前谷歌学术的引用已经到了27w，目前是任职于谷歌的DeepMind，之前在苹果担任ML部门的总监，离职部分原因是需要在办公室上班，目前在goolge可以继续远程办公。其代表性的工作，GAN和Deep Learning《花书》已经达到6w的引用次数。
文本对抗样本攻击与防御技术综述
09-11
对抗样本攻击与防御是最近几年兴起的一个研究热点,攻击者通过微小的修改生成对抗样本来使深度神经网络预测出错。生成的对抗样本可以揭示神经网络的脆弱性,并可以修复这些脆弱的神经网络以提高模型的安全性和鲁棒性。
论文研读1——对抗样本(Adversarial Example)综述（2018版）
xxxibgdrgn博客
10-31 2145
计算机视觉对抗样本领域学习
论文研读2——对抗样本(Adversarial Example)综述（2021版）
xxxibgdrgn博客
11-04 8093
对抗样本领域，涉及对抗攻击，防御等方面的综述
对抗样本（一）以综述入门
白丁的博客
02-20 1万+
一、论文相关信息   1.论文题目     Adversarial Examples: Attacks and Defenses for Deep Learning   2.论文时间     2017年   3.论文文献     https://arxiv.org/abs/1712.07107 二、论文背景及简介   随着深度学习的快速发展与巨大成功，深度学习被应用在许多对安全有严格要求的环境中...
前端及其相关技术综述
qq_52838375的博客
04-15 6412
前端和HTML 一、什么是前端？ 前端即展示给用户的前台页面，前端由网页制作演变而来，现在的前端开发包括制作浏览器运行的页面、手机app、小程序、网页游戏等。 二、前端用到的技术 一、HTML 概念：属于超文本标记语言（而非编程语言）——不同的标记表示不同含义。 包括图片、链接、音频、视频等，实现网页间页面的跳转。 ...
视觉机器学习中的对抗样本攻击与防御综述
1. **生成与检测方法**：研究者们集中研究了在图像空间中创建和识别对抗样例的方法，这些方法利用诸如梯度上升、Fast Gradient Sign Method (FGSM)、Carlini & Wagner (C&W) 等策略来构造误导模型的输入。...
对抗性攻击综述
最新发布
03-08
而迁移性则指同一对抗样例可以跨不同架构甚至未经训练的数据集生效。 #### 方法论发展 早期研究集中在如何高效生成有效的对抗样本上，比如快速梯度符号法(FGSM)[^2]。随着时间推移，研究人员探索了更多复杂的方法，...
深度学习计算机视觉：对抗攻击与防御的最新进展综述
"这篇综述论文深入探讨了计算机视觉中的对抗攻击与防御技术，重点关注了深度学习模型在受到对抗性攻击时的脆弱性，并概述了自2018年以来的研究进展。" 计算机视觉是一个利用机器学习，特别是深度学习技术解析和理解...
对抗样例论文学习一
下一站十字路口
12-25 737
对抗样例的主要主要思想就是在神经网络的输入端加入一个不以觉察的小扰动，但是在经过神经网络预测后造成误判。 这样的样本叫做 adversarial example（对抗样本）。 以下主要针对对抗样例的一些paper进行解读： 第一篇对抗样例文章： Christian Szegedy等人在2014年发表一篇文章，Intriguing properties of neural networks
对抗样例论文学习二
下一站十字路口
12-26 980
第二篇文章 Ian GoodFellow：Explaining and Harnessing Adversarial Examples. 文章指出，早期解释对抗样例的原因主要在非线性和过拟合，但是GoodFellow却有不一样的看法，认为神经网络容易受到对抗扰动的原因是固有的线性特性，模型在高维空间的线性行为足够让攻击者找到对抗样例 对于之前Szegedy的工作，GoodFellow总结到，
Goodfellow新研究：对抗样例让机器与人类双双上当 | 论文
量子位
02-24 470
安妮 编译自 arXiv量子位 出品 | 公众号 QbitAI俗话说的好，耳听为虚。但眼见……也不一定为实。机器学习模型很容易受到对抗样例的影响，一个图片中的微小变化可能会让模型将之认错。例子数不胜数。熊猫图加上扰乱被判定为长臂猿，MIT研究让谷歌AI将乌龟识别城步枪，香蕉图上贴张贴纸就被识别成烤面包机。△ 熊猫变长臂猿（上），乌龟变步枪（左下），香蕉变面包机（右下）在此之前，对抗样例只能让计算机
对抗样例论文学习四
下一站十字路口
01-02 612
Distillation as a defense to adversarial perturbations against deep neural networks
深度学习的对抗攻击与防御方法综述_笔记
仙猪的博客
09-22 1万+
一、概述 由于深度学习广泛的应用，深度学习模型的安全问题也受到普遍关注，模型算法的安全隐患更是加剧了被对抗样本欺骗以及隐私泄露等安全风险。 现有的对抗攻击方法主要面向对抗样本的生成方法以及最终达到对模型攻击的成功率。而对抗防御主要 分为基于对抗样本的检测与提高模型鲁棒性两个方 面。 本文主要介绍对抗样本的概念以及产生原因、对抗样本的可迁移性；详细分析现阶段经典的生成对抗样本的方法以及检测手段，并论述针对上述手段的防御策略。通过梳理分析较为先进的对抗应用方法，预测该领域未来的研究方向。 二、
（InceptionV2/V3）Rethinking the Inception Architecture for Computer Vision--Christian Szegedy
xu.hyj
08-31 1150
本文在GoogleNet(Inception-V1)的基础上同时提出了Inception-v2（第6节）/v3（第9节），本文的主要内容是发现如果你什么都不懂就对之前Inception的结构进行改动，不仅可能会增大参数量，并且效果也会不稳定，所以作者提出了多种优化方法，并且按照这一套合理的规则来优化Inception结果是最可靠的。 最终根据这些原则和方法，在GoogleNet之上优化出了Inception-V2，然后Inception-V2+一些trick就得到了Inception-V3，通过与其他模型.
GoogLeNet
heatrain的博客
03-11 461
GoogLeNet是Christian Szegedy等人提出来的，目前，Christian Szegedy在Google从事人工智能领域的研究。GoogLeNet获得了2014年ImageNet挑战赛(ILSVRC14)的第一名，VGG获得了第二名。 话外一下，据说之所以取名GoogLeNet而不是GoogleNet是为了向CNN的开山之作LeNet致敬。 提高神经网络性能的最直接的方法是增...
[人工智能-深度学习-35]：卷积神经网络CNN - 常见分类网络- GoogLeNet Incepetion网络架构分析与详解
文火冰糖（王文兵）的博客
10-22 8983
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_优快云博客 本文网址： 目录 第1章 卷积神经网络基础 1.1 卷积神经发展与进化史 1.2 卷积神经网络的核心要素 1.3 卷积神经网络的描述方法 1.4 人工智能三巨头 + 华人圈名人 第2章 GoogleNet网络概述 2.1 概述 2.2Christian Szegedy（克里斯蒂安·塞格迪）其人 2.3 googLeNet提出的动机与背景 2.4googLeNet特点与更新 2.5in...
生成式模型 & 生成对抗网络——资料梳理（专访资料 + 论文分类）
热门推荐
Solomon1558的专栏
08-27 2万+
文献整理   题目 主要内容                             GAN综述 【1】 「无中生有」计算机视觉探奇 （下）   1. 1）超分辨率重建；2）图像着色；3）看图说话；4）人像复原；5）图像自动生成 2. 生成对抗网络博弈论中的零和博弈 3. 将GAN用
深入探讨对抗样例及深度学习模型脆弱性
另外，了解和掌握对抗样例及其防御技术对于希望在竞争激烈的硅谷等地找到工作的IT专业人士来说也是十分必要的。它不仅能体现一个人的专业能力，还能在求职面试中展示出对该领域前沿问题的深刻认识和解决实际问题的...
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