随着对抗样本的危险性日益凸显，提高模型的鲁棒性成为研究的主要方向之一，然而，在评估鲁棒性方面还没有统一的标准，使得不同的防御方法之间对比存在很大的困难。
鲁棒性认证方法-鲁帅原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2021/09/13/%e9%b2%81%e6%a3%92%e6%80%a7%e8%ae%a4%e8%af%81%e6%96%b9%e6%b3%95/
特定安全领域中的对抗样本防御方法
上一篇
2021年8月31日 上午10:09
日志数据的深度学习异常检测方法
下一篇
2021年9月23日 上午8:24
相关推荐
-
面向操作系统的模糊测试
本报告主要介绍了关于面向操作系统的模糊测试方法，探讨了操作系统漏洞挖掘的挑战与常见漏洞类型，详细介绍了模糊测试中的基本概念、常用方法以及两种前沿的Linux内核模糊测试技术ACTO…
-
多示例多标记学习
本次学术报告主要讲解了多示例多标记学习(Multi-Instance Multi-Label learning)，主要对多示例多标记…
-
DNN模型水印及其鲁棒性评估
模型水印技术是一种利用特定信息认证保护模型知识产权的方法。本次报告分析了深度学习领域现有的模型水印嵌入方法，从性能鲁棒性和稳定鲁棒性两方面讲述模型水印鲁棒性评估方法，并以实例分析和…
-
组合对抗攻击的自动化搜索方法
对抗攻击是当下智能系统的新威胁，它使得很多在现实世界中应用的智能系统存在的安全漏洞极大地暴露了出来。近年来，学界提出了多种实现对抗攻击的方法，但是在不知道目标模型的防御细节的情况下…
-
文本生成中的幻觉
本次报告讲解了文本生成中的幻觉问题。首先从文本生成的基本原理出发引入到幻觉问题，着重介绍了幻觉的概念、产生原因以及解决方法。然后从添加外部信息和幻觉数据处理两个角度入手分别介绍了K…
-
& Unsorted bin attack
简单介绍了堆的管理与分配，主要讲述了堆上两种典型的攻击方式，即fast bin attack 和 Unsor…
-
协同训练
协同训练是一种多视角学习方法，当数据充分时，在具有这种特征的数据集的任何一个视图上均可以利用一定的机器学习算法训练出一个强分类器。但…
-
从图视角理解多智能体系统安全
多智能体系统安全是当前人工智能研究中的重要方向，与系统稳定性、信息可信性及防御能力密切相关，但现有研究多集中于单智能体输入输出过滤或局部安全策略，难以刻画复杂交互网络中的全局风险传…
