元学习是人工智能领域继深度学习、深度强化学习、生成对抗之后，又一个重要的研究分支。模型无关元学（MAML）算法可以适用于多个领域，包括少样本的回归、图像分类，以及增强学习，并且使用更少的参数量达到了当时（2017年)最先进的专注于少样本分类领域的网络的准确率。本次报告首先讲述了元学习的基本概念，着重介绍了模型无关元学习算法的算法原理，以及它在回归问题和分类问题上的实验结果；最后介绍了MAML算法在神经机器翻译上的应用。
文本安全组-学术报告-模型无关元学习-慕星星-2020-03-08原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2020/03/09/%e6%a8%a1%e5%9e%8b%e6%97%a0%e5%85%b3%e5%85%83%e5%ad%a6%e4%b9%a0/
本次报告从计算机的总体结构切入，介绍的了计算机系统的分层体系结构；对操作系统及其内核的做了详细说明，包括操作系统与操作系统内核的关系，以及操作系统内核的主要功能等内容；报告还分析了…
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。本次学术报告将回顾关…
本报告介绍了强化学习领域基本概念，详细介绍了Q-Learning算法和Deep Q Learning算法的原理，简要梳理了了两种算法的发展脉络，以经典案例windy grid-wo…
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…
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，…
CPU的性能提升是几十年来相关研究的重要主题，但随之而来的安全问题也愈发引起重视。其中推测执行漏洞因其种类多、隐蔽性高等问题使相关对抗方法的研究面临众多挑战，因此，如何提升CPU对…
研究针对文本嵌入模型的模型反演攻击，揭示了自然语言处理领域面临的隐私泄露风险。本次学术报告介绍了关于文本嵌入模型模型反演攻击的最新方法，并指明了现有的缺陷和未来发展方向。
基于统计的命名实体识别方法根据特征的获取方式，有神经网络和特征工程两个研究方向，实践表明来自知识库的词典特征…
This report centers on the “Wireless Traffic Dataset for KRACK and Kr00k Attacks in …
当深度学习以惊人的准确性执行各种各样任务的同时，在图像分类等领域的深度神经网络却容易受到对抗样本的攻击，从而输出错误的预测结果。本次学术报告首先说明了对抗攻防的主要方法分类和残差网…
