predictions专题
【读论文】Learning perturbations to explain time series predictions
文章目录 Abstract1. Introduction2. Background Work3. Method4. Experiments4.1 Hidden Markov model experiment4.2 MIMIC-III experiment 5. ConclusionReferences 论文地址：Learning Perturbations to Explain
Deep Neural Networks are Easily Fooled:High Confidence Predictions for Unrecognizable Images
在卷积神经网络如日中天的现在，重要会议上的论文自然成了广大学者研究的对象。苦苦寻觅，然而并不能搜到“大家们”对论文的见解。痛定思痛，决定对自己看过的论文写点小感。只是个人看法，如有瑕疵，欢迎指正。一是为了督促自己看论文要仔细认真，二是希望有人指正自己的错误。 Abstract 深度神经网络（DNNs）在各种模式识别任务中取得了一定的成就，其中最显著的是视觉分类问题。鉴于，
（阅读笔记）Oblivious Neural Network Predictions via MiniONN Transformations
不经意神经网络预测 动机MINIONN框架本文总结 动机 云托管模型受到青睐，用户倾向选择云预测（推理）服务；用户数据包含隐私，如何避免隐私泄露；用户-云协同预测轻量化。 隐私保护效果：用户对模型未知，服务器对用户数据未知。 本文工作： 不改变明文下的神经网络模型，实现与之对应的不经意神经网络（采用OT协议）；为神经网络预测的公共函数设计相应的不经意计算协议。 单指令
Self-Driving Car Predictions for 2018 from David Silver 关于自动驾驶车辆的2018预测
转载自 https://medium.com/self-driving-cars/self-driving-car-predictions-for-2018-ce562be66747 译文为自己翻译，如有错误，敬请指摘。 Here’s what I think the coming year has in store for self-driving cars. 100% Cer