exploiting专题

Lab_ Exploiting an API endpoint using documentation

https://portswigger.net/web-security/learning-paths/api-testing/ 开局一个页面 打开代理和burp,查看功能点,然后看HTTPhistory 然后使用题目已知的账号去登录一下 My account 登录 然后发现 /api 路径 那么我们访问一下 URL/api ,发现三个方法 GET、DELETE、PATCH 题目说要我们删

ReLU Strikes Back: Exploiting Activation Sparsity in Large Language Models

iclr 2024 oral reviewer 评分 688 1 intro 目前LLM社区中通常使用GELU和SiLU来作为替代激活函数,它们在某些情况下可以提高LLM的预测准确率 但从节省模型计算量的角度考虑,论文认为经典的ReLU函数对模型收敛和性能的影响可以忽略不计,同时可以显着减少计算和权重IO量\ ​​​​​​​ 2 激活函数影响效果吗? 选用了开源的大模型 OPT,Llama

2019-Exploiting Local and Global Structure for PointCloud

Exploiting Local and Global Structure for PointCloud Semantic Segmentation with Contextual Point Representations 期刊:Nips2019 时间:2019 code:https://github.com/fly519/ELGS 目录 Exploiting Local an

Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation—【附测试源码】——ECCV2020

🥇 版权: 本文由【墨理】原创、在CSDN首发、感谢查阅 | 禁止转载,敬请理解❤️ 如果文章对你有帮助、欢迎三连、感谢订阅 文章目录 🥇 基础信息📔 环境搭建📕 官方测试过程如下📗 我的测试过程记录如下🔵 运行图像着色🟣 着色测试效果如下🔵 运行图像修复🟣 图像修复测试效果如下🔵 category_transfer 风格转换测试如下🟣 转换效果如下

Spectre Attacks Exploiting Speculative Execution-1

Spectre Attacks: Exploiting Speculative Execution 摘要: 推测式执行在如何执行方面是不可靠的,因为它可以访问受害者的内存和寄存器,并且可以执行具有可测量的副作用的操作幽灵攻击:诱导受害者在执行在正确的程序执行过程中不会发生的推测性操作,并通过一个侧信道将受害者的敏感数据泄露出去论文提出了一种实用的攻击方法,通过结合侧信道攻击,fault攻击和R

CVPR 2023 精选论文学习笔记:Exploiting Unlabelled Photos for Stronger Fine-Grained SBIR

我们给出以下四个分类标准: 1. 检索方法 监督式: 检索过程依赖于标记的训练数据来学习草图和图像之间的映射。这意味着系统在草图和它们对应的图像对上进行训练,使其能够学习视觉特征和语义概念之间的关系。监督式 SBIR 方法的例子包括支持向量机 (SVM) 和卷积神经网络 (CNN) ([1, 20, 31, 61, 66, 69])。半监督式: 半监督式方法利用标记和未标记数据来增强学习过程。

【论文阅读20】Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference

论文相关 论文标题:Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference(利用完形填空进行零样本文本分类和自然语言推理)发表时间:2021领域:自然语言处理-提示学习经典论文发表期刊:EACL2021(A级学术会议)相关代码:https://github.com/tim

论文阅读 (91):Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision

文章目录 1 要点1.1 概述1.2 代码及数据集1.3 引用 2 方法2.1 标签增广2.2 Dirichlet消歧2.3 高斯过程回归模型 3 实验3.1 实验设置3.1.1 数据集 1 要点 1.1 概述 名称:多示例偏标签学习:探索面向对偶不确切监督信息的学习范式 (multi-instance partial-label learning: towards ex