defense专题

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

HDU 4939 Stupid Tower Defense

题目链接~~> 做题感悟:开始看着题很明显的 dp 但是dp 到最后也没 dp 出来,做完这题之后发现其实有些 dp 需要一些贪心的思想,然后再dp一下。 解题思路:                    三种塔都有各自的功能,就和英雄杀里的人物技能一样,绿塔和蓝塔貌似为红塔做铺垫,绿塔负责增加伤害,蓝塔负责增加时间,和英雄杀里宋江,西施,商鞅三个人的配合差不多,只有相互配合才使得伤害最大化

Codeforces Round 938 (Div. 3)H-The Most Reckless Defense (状压dp)

来源 题目 You are playing a very popular Tower Defense game called "Runnerfield 2". In this game, the player sets up defensive towers that attack enemies moving from a certain starting point to the pla

The Art of Computer Virus Research and Defense

版权声明:原创作品,允许转载,转载时请务必以超链接形式标明文章原始出版、作者信息和本声明。否则将追究法律责任。 http://blog.csdn.net/topmvp - topmvp Symantec's chief antivirus researcher has written the definitive guide to contemporary virus threats, d

CVPR2020 Adversarial Attack Defense Summary(Part 1)

Alleviation of Gradient Exploding in GANs: Fake Can Be Real 解决问题:GAN的梯度爆炸、模式崩溃问题。 解决方法:在一个mini batch 中 close pairs 多的位置选取假样本,认定其为真样本,再进行训练,来有效防止不平衡分布的产生(FARGAN)。 Cooling-Shrinking Attack: Blinding

【图对抗】Local-Global Defense against Unsupervised Adversarial Attacks on Graphs

原文标题: Local-Global Defense against Unsupervised Adversarial Attacks on Graphs 原文代码: https://github.com/jindi-tju/ULGD/blob/main 发布年度: 2023 发布期刊: AAAI 摘要 Unsupervised pre-training algorithms for gr

Open-set Adversarial Defense

Open-set Adversarial Defense 文章目录 Open-set Adversarial Defense背景proposed methodNoise-free Feature EncodingOpen-set ClassificationDecoder:Clean Image GenerationTransformation classification:Self-su

【学习笔记】CF1651F Tower Defense

首先转换一下题意。令 c u r i cur_i curi​表示第 i i i个塔当前的魔力,每次操作,我们将过程描述为: 对于每个 i i i, c u r i : = min ⁡ ( a i + t ⋅ r i , c i ) cur_i:=\min(a_i+t\cdot r_i,c_i) curi​:=min(ai​+t⋅ri​,ci​),其中 t t t表示和上一个怪兽出现的时间之差找到

【备忘】Anylogic Demo - Air Defense System (Agent) 笔记

昨天和今天看完了Anylogic两个教程,第一个是Air Defense System (Agents),第二个是Wind Turbine Maintenance (Agents),个人体感Air Defense System这个教程写得好些,十分适合新手入门。 每一步、每一个选择都有截图放在上面,给不太懂这个软件的新手十分直接的指导,作为新手来说十分喜欢这点。 Wind Turbine Ma

A New Defense Against Adversarial Images: Turning a Weakness into a Strength

文章目录 概主要内容准则1准则2总策略 Hu S, Yu T, Guo C, et al. A New Defense Against Adversarial Images: Turning a Weakness into a Strength[C]. neural information processing systems, 2019: 1633-1644. @ar

1703.In Defense of the Triplet Loss for Person Re-Identification 论文阅读笔记

1703.In Defense of the Triplet Loss for Person Re-Identification-v2 本文为Triplet 的改进方法进行end-to-end 的基于深度学习的度量学习,作者改进了tripletloss,分别采用现成的可参数迁移的resnet-50v2模型和基于resnet设计的从头训练的模型进行了实验,在CUHK03,Market-1501和M

CF1651F Tower Defense

CF1651F Tower Defense 洛谷CF1651F Tower Defense 题目大意 有 n n n座防御塔按 1 1 1到 n n n的顺序排成一列,每座防御塔都有一个能量上限 c i c_i ci​和能量回复速率 r i r_i ri​。对于一座塔 i i i,每过一秒,它的能量 w i w_i wi​就会变成 min ⁡ ( w i + r i , c i ) \min

机器学习8 -- 模型攻防(model attack model defense)

1 什么是模型攻防 1.1 攻防定义 我们在平常的深度学习模型开发中,一般关注的重点在模型指标上,比如ACC、F1、Bleu等。但其实还有另一方面需要注意,那就是模型攻防,特别是在人脸识别等安全领域。什么是模型攻击(model attack)呢?以图片分类为例,如下图。原始图片经过分类模型,可以正确识别是tiger cat。我们在图片上加入某些一定分布的噪声后,模型可能就会把它错误识别

attack and defense

深度神经网络在图像分类领域尽管有很高的正确率,但是非常容易受到对抗样本的攻击的。这些对抗样本仅有很轻微的扰动,人类视觉甚至系统无法察觉这种扰动(图片看起来几乎一样)。这样的攻击会导致神经网络完全改变它对图片的分类。此外,同样的图片扰动可以欺骗好多网络分类器。 因此,机器光有强度还不够,还需要能够应对来自人类的恶意。 Attact(攻击) 1.什么是attact 在训练好的network中