原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/10/22/%e7%ae%80%e8%a6%81%e8%ae%a8%e8%ae%ba%e6%95%b0%e6%8d%ae%e4%b8%8d%e5%b9%b3%e8%a1%a1%ef%bc%88%e4%b8%80%ef%bc%89/
Android安全体系结构简介
上一篇
2014年10月21日
简要讨论数据不平衡（二）
下一篇
2014年10月22日
相关推荐
-
域自适应网络框架DANE
本次报告介绍一种域自适应网络嵌入框架DANE，该框架解决了嵌入空间偏移和嵌入分布偏移的问题。在DANE中，来自多个网络的节点通过一组共享的可学习参数被编码为向量，以便向量共享对齐的…
-
基于T-Closeness的微聚集数据脱敏算法
大数据时代的到来，同时也带来了隐私、敏感信息保护方面的棘手难题。数据脱敏措施层出不穷，K-Anonymity，L-Diversity，T-Closeness，以及相结合的微聚集算法…
-
神经网络模型测试方法与模型健壮性
针对神经网络模型的缺陷测试使用了神经元覆盖率指标指导测试，这是一种从软件测试领域迁移的概念，指的是测试激活的神经元越多，测试越充分。但是近年来这种测试方法的有效性存疑，特别是测试生…
-
图神经网络可解释方法
图神经网络模型的可解释性对于建立用户与决策模型之间的信任关系至关重要，为了安全、可信地部署图神经网络模型，需要提高图神经网络模型的可解释性和透明性。本次报告带大家了解图神经网络的可…
-
匮乏资源命名实体识别
NER作为自然语言处理中的一项基础任务，应用范围非常广泛。命名实体识别是许多任务的基本组成部分，并已被深度神经网络大大推进。目前NER只是在有限的领域和实体类型中取得了较好的成绩，…
-
机器学习模型后门攻击检测
本次学术报告简要介绍了人工智能系统面临的各种安全威胁，通过将对抗样本与后门攻击进行多方面比较，从而引入了机器学习模型后门攻击的原理和检测方法，以及后门攻击技术的应用领域。
-
基于因果推理的对抗防御方法
基于因果推理的对抗防御方法通过因果干预、特征解耦与不变性学习，识别并强化数据中的因果特征，抑制模型对伪相关与“捷径特征”的依赖，从而在机理上增强模型的泛化能力和抗干扰能力，使其在遭…
-
Deep Learning Backdoor Attacks Detection
The susceptibility of deep neural networks to backdoor or trojan attacks has been demonstr…
-
基于图结构处理的文本生成
文本生成技术是自然语言处理中一个重要的研究领域，具有广阔的应用前景。传统文本生成的Seq2Seq框架不能有效地利用原始语料中的语义信息，而Graph2Seq模型可以丰富文本的语义知…
-
软件缺陷自动修复方法
随着现代软件规模的不断扩大和复杂性的不断提高，软件缺陷调试所消耗的成本也在不断增加，软件缺陷的自动修复成为越来越迫切的需求。软件缺陷自动修复可以分为缺陷定位、补丁生成、补丁验证三个…
