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。通过在深度模型训练过程中，通过树正则化的方法构造模拟决策树实现对神经网络的解释。
原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2018/03/26/%e6%b7%b1%e5%ba%a6%e6%a8%a1%e5%9e%8b%e5%8f%af%e8%a7%a3%e9%87%8a%e6%96%b9%e6%b3%95/
HTTPS浅析
上一篇
2018年3月18日
Android消息机制
下一篇
2018年4月3日
相关推荐
-
Android消息机制
Android消息机制，主要讲解Android系统内部不同线程之间的信息交互，具体介绍了MessageQueue、Looper和Handler三者之间的交互和各自的原理。 附件-A…
-
大模型在微调阶段的后门攻击
随着大语言模型的快速发展与广泛应用，其安全问题日益凸显，后门攻击便是主要威胁之一。本次报告介绍了两种针对大模型微调阶段的后门攻击方法，它们分别通过确定目标生成条件和改变Token，…
-
特定安全攻防场景中的对抗样本生成方法
最新的特定安全攻防场景可以细化为两个研究方向：匿名通信网络的网站指纹防御和僵尸网络的域名生成，以此来介绍对抗样本在防御任务和攻击任务中的应用。网站指纹攻击可以从网站中提取流量模式，…
-
Cache侧信道攻击与防御
本报告讲述了cache侧信道攻击与防御基本分类及理论基础，给出了基于冲突和基于访问两类侧信道攻击和反制措施的基本概念，并对介绍基于映射随机化和基于隔离两类防御方法的文献进行了详细介…
-
即时缺陷预测技术研究
本报告讲述了即时软件缺陷预测领域的基本概念，通过详细介绍集成了专家特征和语义特征的变更级软件缺陷预测和缺陷定位模型，启发思考通过结合专家特征和代码行上下文语义特征，提高变更级软件缺…
-
网络安全
虚拟化技术： 初识虚拟化技术 XenAccess介绍 虚拟化安全监控技术小结 漏洞分析与利用： 缓冲区溢出漏洞浅析 …
-
频繁项集算法分析
一、 什么是频繁项集项集是指事项的集合，而频繁项集就是频繁出现在数据集中的项集，说白了就在数据集中“出现次数足够多”的项集。其中，项集的出现频度是指包含项集的事务的数量，简称为项集…
-
大模型也不安全-小心信息被泄露
研究大模型隐私泄露攻击，揭示了大模型面临的隐私信息泄露风险。本次学术报告介绍了大模型的应用价值和市场体量，讲述了关于大模型隐私泄露攻击的最新方法，指明了现有的缺陷和未来发展方向。
-
污点分析及其关键技术
目前针对二进制漏洞挖掘主要有三个研究方向：符号执行、污点分析和模糊测试。本次报告首先介绍了污点分析的三个重要…
-
Web中间人攻击简介
在网络安全方面，中间人攻击（Man-in-the-Middle Attack，MITM）是一种常用的攻击手段…
