本次学术报告主要给大家详细的介绍DQN算法原理及其调参细节，并且进行举例说明和总结以加深大家的理解。
DQN强化学习算法-秦枭喃原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2020/05/31/dqn%e6%b7%b1%e5%ba%a6%e5%bc%ba%e5%8c%96%e5%ad%a6%e4%b9%a0%e7%ae%97%e6%b3%95/
面向恶意软件检测系统的对抗样本攻击
上一篇
2020年5月24日 下午9:41
科研团队
下一篇
2020年6月4日 上午1:19
相关推荐
-
深度神经网络模型后门攻击检测
本报告介绍了深度学习后门攻击及其检测的基本概念、类型划分等背景知识，对2种基于主动策略的后门攻击检测算法进行了具体说明，阐述了对于深度学习后门攻击检测的发展趋势和未来前景。
-
FNN模型正确性测试及测试样本生成
FNN模型被广泛应用于自动驾驶、医疗诊断等安全关键的领域，因此需要测试模型的正确性，及时发现模型的缺陷并进行模型的修复与再训练。本次学术报告介绍了FNN模型正确性测试中遇到的两个关…
-
二进制代码补丁存在性测试
二进制代码补丁存在性测试（Patch Presence Test, PPT） 旨在检测目标二进制文件是否已应用特定补丁，以确保安全性和合规性。希望在这次学术报告中，大家掌握二进制代…
-
个性化学习路径推荐
随着人工智能等新兴技术在教育中广泛应用，推动了学习方式的深刻变革。面对多元化的学习需求及海量学习资源, 如何迅速完成学习目标、降低学习成本、个性化分配学习资源等问题成为限制个人和时…
-
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…
-
简述对抗样本检测方法
对抗样本会的存在严重威胁到机器学习模型的输出准确性。目前最常用的对抗样本生成方法是FGSM，其通过在沿着损失…
-
图神经网络的反事实解释方法
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。本次报告为大家介绍图神经网络反事…
-
深度神经网络对抗样本防御方法
近年来深度学习技术不断突破，极大促进了人工智能行业的发展，但人工智能模型本身易受到对抗攻击从而引起严重后果。对原始样本有针对性地加入微小扰动，该扰动不易被人眼所察觉，但会导致人工智…
-
自步学习
自步学习（Self-paced Learning）是一种先学习简单样本，后学习复杂样本的迭代算法。它具有很好的健壮性，主要被应用于图…
