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