adversarial专题

深度学习--对抗生成网络（GAN, Generative Adversarial Network）

对抗生成网络（GAN, Generative Adversarial Network）是一种深度学习模型，由Ian Goodfellow等人在2014年提出。GAN主要用于生成数据，通过两个神经网络相互对抗，来生成以假乱真的新数据。以下是对GAN的详细阐述，包括其概念、作用、核心要点、实现过程、代码实现和适用场景。 1. 概念 GAN由两个神经网络组成：生成器（Generator）和判别器（D

【机器学习】生成对抗网络(Generative Adversarial Networks, GANs)详解

🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈｜炫酷HTML | JavaScript基础 💫个人格言: "如无必要，勿增实体" 文章目录生成对抗网络(Generative Adversarial Networks, GANs)详解GANs的基本原理GANs的训练过程GANs的发展历程GANs在实际任务中的应用小结生成对

Image Transformation can make Neural Networks more robust against Adversarial Examples

Image Transformation can make Neural Networks more robust against Adversarial Examples 创新点 1.旋转解决误分类总结可以说简单粗暴有效

[论文解读]Genre Separation Network with Adversarial Training for Cross-genre Relation Extraction

论文地址：https://www.aclweb.org/anthology/D18-1125.pdf发表会议：EMNLP2019 本论文的主要任务是跨领域的关系抽取，具体来说，利用某个领域的数据训练好的关系抽取模型，很难去直接抽取另一个领域中的关系，比如我们拿某个领域训练好的模型，把另一个领域的数据直接输入整个模型，很难抽取出来正确的实体关系。这主要是因为源领域和目标领域特征表达的不同，在源

Self-Attention Generative Adversarial Networks解读+部分代码

Self-Attention Generative Adversarial Networks解读+部分代码引言这篇是文章是Ian goodfellow他们的新工作，在GAN中引入Attention。在文章的摘要中作者主要突出了三点。 Self-Attention Generative Adversarial Network(SAGAN)是一个注意力驱动，长范围关联模型(a

论文《Adversarial Examples on Graph Data: Deep Insights into Attack and Defense》笔记

【IG-Attack 2019 IJCAI】本文提出了一种基于integrated gradients的对抗攻击和防御算法。对于攻击，本文证明了通过引入integrated gradients可以很容易解决离散问题，integrated gradients可以准确反映扰动某些特征或边的影响，同时仍然受益于并行计算。对于防御，本文观察到目标攻击的被攻击图在统计上不同于正常图。在此基础上，本文提出了一

监控领域的物理对抗攻击综述——Physical Adversarial Attacks for Surveillance: A Survey

介绍文章贡献框架提出：提出了一个新的分析框架，用于理解和评估生成和设计物理对抗性攻击的方法。全面调查：对物理对抗性攻击在监控系统中的四个关键任务—检测、识别、跟踪和行为识别—进行了全面的调查和分析。跨领域探索：讨论了物理对抗性攻击在可见光域之外的应用，包括红外、LiDAR和多光谱谱段。方法分析：从四个关键任务的角度回顾、讨论、总结了现有的攻防策略。未来研究方向：从监控角度指出生成成功的物理

Adversarial Perturbation Constraint对抗扰动约束

对抗扰动约束（Adversarial Perturbation Constraint）是在机器学习和深度学习领域中，一个涉及对抗样本（Adversarial Examples）的概念。对抗样本是指通过对输入数据进行微小、特意设计的扰动，使得模型产生错误预测或分类的输入数据。对抗扰动约束涉及这些扰动的生成和应用时的限制条件。主要概念对抗样本：这些是经过精心修改的输入数据，目的是欺骗机器学习

论文阅读笔记：Towards Higher Ranks via Adversarial Weight Pruning

论文阅读笔记：Towards Higher Ranks via Adversarial Weight Pruning 1 背景2 创新点3 方法4 模块4.1 问题表述4.2 分析高稀疏度下的权重剪枝4.3 通过SVD进行低秩逼近4.4 保持秩的对抗优化4.5 渐进式剪枝框架 5 效果5.1 和SOTA方法对比5.2 消融实验5.3 开销分析 6 结论论文：https://arx

规避攻击和毒化攻击Evasion Attacks and Adversarial Examples

"规避攻击（evasion attacks）"和"毒化攻击（poisoning attacks）"是两种常见的网络安全攻击类型，它们针对机器学习和深度学习模型进行攻击。规避攻击（Evasion Attacks）规避攻击是指攻击者通过修改输入数据，使得机器学习模型无法正确分类或预测。这种攻击通常利用模型对输入数据的处理方式来产生意想不到的结果，从而误导模型做出错误的判断。规避攻击可以通过以下

【对抗样本】【FGSM】Explaining and Harnessing Adversarial Examples 代码复现

简介参考Pytorch官方的代码Adversarial Example Generation 参数设置(main.py) # 模型选择：GPUdevice = 'mps' if torch.backends.mps.is_available() else 'cpu'# 数据集位置dataset_path = '../../../Datasets'batch_size =

【机器学习】生成对抗网络 (Generative Adversarial Networks | GAN)

生成对抗网络 (Generative Adversarial Networks | GAN) 介绍生成对抗网络 (Generative Adversarial Networks，简称GAN) 是一种强大的深度学习模型，用于生成具有逼真感的图像、音频和文本等内容。GAN 的核心理念是通过训练两个神经网络，生成器 (Generator) 和判别器 (Discriminator)，它们相互对抗、相

Pytorch手把手实作-Generative Adversarial Network （GAN）

文章目录一、说明二、GAN的介绍三、生成器和鉴别器四、代码实现一、说明前言废话免了，会进来看文章内容的只有四种人：1. 只想知道皮毛，GAN在干什么的 2. 想知道细节怎么把GAN训练起来；3. 收藏在收藏夹或是书签当作有看过了；4. 上课上到一定要点点进来。二、GAN的介绍 GAN属于unsupervised learning。白话一点，GAN是用来生成资料。讲难听

论文《Adversarial Reading Networks For Machine Comprehension》

综述:文中描述当前阅读理解任务中受限于监督学习设置，以及可用的数据集。这篇论文主要提出关于阅读理解任务中的对抗学习以及self-play.它用一个名为reader network来找到关于text和query的答案，还用一个名为narrator network的网络来混淆text的内容，来降低reader network网络成功的可能性。然后取得了较好的效果。文章的贡献: 1,提出了一

论文解读 Combating Adversarial Misspellings with Robust Word Recognition

1. 简介论文链接 https://www.aclweb.org/anthology/P19-1561.pdf 这篇文章发表在ACL19，目的是为了解决错误拼写的对抗（adversarial misspellings）问题。尽管现在的deep learning和Transformer已经非常先进，但是当他们面对错误拼写时仍然十分的脆弱（brittle），一个单词的字母写错就可以愚弄（fool

[论文阅读]Adversarial Network Compression

目录目标主要贡献方法算法框架损失函数实验这是一篇用对抗训练来进行网络压缩的论文。论文链接 https://arxiv.org/abs/1803.10750 PPT下载地址 https://pan.baidu.com/s/1Rb8ZLPS4OgZBp9aGaj2o8Q 目标将知识从深的、精确的模型转移到较小的模型。主要贡献提出对抗性网络压缩方法来训

####好好好#####3【论文阅读】Deep Adversarial Subspace Clustering

导读：　　本文为CVPR2018论文《Deep Adversarial Subspace Clustering》的阅读总结。目的是做聚类，方法是DASC=DSC（Deep Subspace Clustering）+GAN（Generative Adversarial Networks）。本文从以下四个方面来对论文做个简要整理：　　背景：简要介绍与本文密切相关的基础原理，DSC，GAN。

###好好好#####论文泛读·Adversarial Learning for Neural Dialogue Generation

导读　　这篇文章的主要工作在于应用了对抗训练（adversarial training）的思路来解决开放式对话生成（open-domain dialogue generation）这样一个无监督的问题。　　其主体思想就是将整体任务划分到两个子系统上，一个是生成器（generative model），利用seq2seq式的模型以上文的句子作为输入，输出对应的对话语句；另一个则是一个判别器（di

Adversarial Learning for Neural Dialogue Generation

步态识别论文（6）GaitDAN: Cross-view Gait Recognition via Adversarial Domain Adaptation

摘要: 视角变化导致步态外观存在显着差异。因此，识别跨视图场景中的步态是非常具有挑战性的。最近的方法要么在进行识别之前将步态从原始视图转换为目标视图，要么通过蛮力学习或解耦学习提取与相机视图无关的步态特征。然而，这些方法有许多约束，例如处理未知相机视图的难度。这项工作将视角变化问题视为域更改问题，并提出通过对抗性域适应来解决这个问题。这样，不同视角的步态信息被视为来自不同子域的数据。该方法侧重于

通用对抗样本 Universal Adversarial Example

Universal Adversarial Example介绍对抗样本（Adversarial Example）是近年来机器学习领域比较火的研究话题，这类样本可以说是机器学习模型的死敌，可以让目前性能最好的机器学习模型都丧失其分类能力本文旨在介绍更为特殊的一类对抗样本——通用对抗样本Universal Adversarial Example。通用对抗样本的定义对于样本 x ∈ X x

On evaluating adversarial robustness of large vision language models - 论文翻译

论文链接：https://arxiv.org/pdf/2305.16934 项目代码：https://github.com/yunqing-me/AttackVLM On evaluating adversarial robustness of large vision language models Abstract1 Introduction2 Related work3 Method

2017.4-Jeff Donahue, Trevor Darrell-Adversarial feature learning-UCB-ICLR2017 阅读笔记

2017.4-Jeff Donahue, Trevor Darrell-Adversarial feature learning-UCB-ICLR2017 本文创新点：提出 BiGANs，能够进行 inverse mapping (data => latent space) 在GAN 中引入 encoder，命名为 Bi-GAN, 将 discriminator 对 X 和 G(z) 的判别转化

AIGC实战——StyleGAN(Style-Based Generative Adversarial Network)

AIGC实战——StyleGAN 0. 前言1. StyleGAN1.1 映射网络1.2 合成网络1.3 自适应实例归一化层1.4 风格混合1.5 随机变化 2. StyleGAN 生成样本3. StyleGAN23.1 权重调制与解调3.2 路径长度正则化3.3 非渐进式增长 4. StyleGAN2 生成样本小结系列链接 0. 前言 StyleGAN (Style-Base

AIGC实战——ProGAN(Progressive Growing Generative Adversarial Network)

AIGC实战——ProGAN 0. 前言1. ProGAN2. 渐进式训练3. 其他技术3.1 小批标准差3.2 均等学习率3.3 逐像素归一化 4. 图像生成小结系列链接 0. 前言我们已经学习了使用生成对抗网络 (Generative Adversarial Network, GAN) 解决各种图像生成任务。GAN 的模型架构和训练过程具有很高的灵活性，通过改进 GAN

生成对抗网络（GAN Generative Adversarial Nets ）简介

常见神经网络形式神经网络分很多种, 有普通的前向传播神经网络 , 有分析图片的 CNN 卷积神经网络 , 有分析序列化数据, 比如语音的 RNN 循环神经网络 , 这些神经网络都是用来输入数据, 得到想要的结果, 我们看中的是这些神经网络能很好的将数据与结果通过某种关系联系起来. 生成网络但是还有另外一种形式的神经网络, 他不是用来把数据对应上结果的, 而是用来”凭空”捏造结