韩磊
2014/12/25
原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/12/19/%e5%b8%b8%e7%94%a8%e8%b7%9d%e7%a6%bb%e8%ae%a1%e7%ae%97%e6%96%b9%e6%b3%95/
EM算法的应用——GMM的参数估计
上一篇
2014年12月11日 下午7:25
Android进程注入
下一篇
2015年1月5日
相关推荐
-
缺乏先验知识条件下的模型窃取方法
随着机器学习的快速发展，图像分类、恶意软件识别等多个领域都通过建立机器学习模型解决相应的问题。但由于一些训练出的模型可能涉及训练数据的隐私信息与模型的商业价值，所以其安全性一直备受…
-
对抗式多任务学习
对抗式多任务学习是针对普通的多任务学习模型在共享特征提取时，可能会被特定任务的特定特征所污染的问题所提出的，…
-
深度模型可解释方法
深度模型可解释性一直是业界关注的问题。报告介绍了一种新颖的深度学习可解释性方法——树正则化。通过在深度模型训…
-
数据挖掘中的数据清洗方法
数据清洗是数据挖掘工作中很重要的一部分工作，目的是解决数据的质量问题，将“脏”数据变成标准的、干净的数据，更…
-
大模型协同的软件模糊测试技术
复杂软件的模糊测试在大模型快速发展的当下，已经有了多种自动化测试方案，但受制于大模型的生成模式而存在测试效率低、成本高的问题。本次学术报告结合ProphetFuzz和G2FUZZ两…
-
小样本命名实体识别
在很多场景下，收集大量的有标签的数据是非常昂贵、困难、甚至不可能。因此在特定领域、小语种等缺乏标注资源的情况下，NER 任务往往得不到有效解决。为了解决少量标注数据的命名实体识别，…
-
人工智能模型的公平性测试——既要公平，也要正确
人工智能技术在决策系统等领域发挥了重要作用。用于模型训练的数据集中含有显示或者隐式的敏感属性，模型往往会利用敏感属性的特征做出决策，导致人工智能模型在公平性方面出现偏差，产生严重的…
-
协议模糊测试方法
本次报告围绕协议模糊测试方法展开，从提升协议模糊测试效率和有效性上考虑，要满足以下三个层面内容：1、数据生成角度：生成的测试用例要符合协议规范；2、数据传输角度：生成的测试用例能够…
-
基于深度学习的恶意流量检测方法
近年来，基于机器学习的算法在恶意流量检测领域中越来越流行，但此类算法通常使用浅层模型，在训练之前需要一组专家手工制作的特征来预处理数据。此类方法的主要问题是，在不同类型的场景下，手…
-
多模态意图识别
聚焦多模态意图识别场景下复杂意图理解与细粒度语义推理问题，概述文本、视频、音频等模态融合中的语义异构、噪声干扰、模态冲突与粗粒度表示的局限；重点介绍 LGSRR 基于大模型引导的细…
