ODS:输出多样化采样,有效增强白盒和黑盒攻击的性能 | NeurIPS 2020
14红色石头 发布于 2021-04-16
【简介】 本文提出了一种新的采样策略——输出多样化采样,替代对抗攻击方法中常用的随机采样,使得目标模型的输出尽可能多样化,以此提高白盒攻击和黑盒攻击的有效性。实验表明,该种采样策略可以显著提升对抗攻击方法的性能。 论文地址: https://arxiv.org/abs/2003....
阅读(34)评论(0)赞 (0)
红色石头 发布于 2021-04-16
【简介】 本文提出了一种新的采样策略——输出多样化采样,替代对抗攻击方法中常用的随机采样,使得目标模型的输出尽可能多样化,以此提高白盒攻击和黑盒攻击的有效性。实验表明,该种采样策略可以显著提升对抗攻击方法的性能。 论文地址: https://arxiv.org/abs/2003....
阅读(34)评论(0)赞 (0)
红色石头 发布于 2021-03-07
提起李宏毅老师,熟悉机器学习的读者朋友一定不会陌生。最典型的就是开局一言不合就“宝可梦”。李宏毅老师幽默风趣的教学风格也吸引力很多机器学习爱好者。 李宏毅老师的机器学习课程可以说是最具代表性的中文公开课之一,已成为大量国内初学者的首选。2021 年,李宏毅老师的机器学习课程又于 ...
阅读(26764)评论(0)赞 (2)
红色石头 发布于 2021-03-03
今天给大家推荐一个硬核干货:一个基于 PyTorch 的图像模型库(PyTorch Image Models,TIMM),用于最新图像分类。 这个库从 330+ 种预训练的最新图像分类模型中进行选择,方便我们使用提供的脚本在 ImageNet 等研究数据集上重新训练模型。而且,可...
阅读(1597)评论(0)赞 (1)
红色石头 发布于 2021-03-02
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(1553)评论(0)赞 (1)
红色石头 发布于 2021-03-02
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(1308)评论(0)赞 (2)
红色石头 发布于 2021-01-23
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(2478)评论(0)赞 (0)
红色石头 发布于 2021-01-23
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(2377)评论(0)赞 (0)
红色石头 发布于 2021-01-16
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(2666)评论(0)赞 (0)
红色石头 发布于 2021-01-16
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(2523)评论(0)赞 (0)
红色石头 发布于 2021-01-14
系列文章: 吴恩达《Machine Learning》精炼笔记 1:监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2:梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3:回归问题和正则化 吴恩达《Machine Learning...
阅读(1877)评论(0)赞 (0)