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
-
智能体的工具调用攻击
本报告探讨了大语言模型智能体工具调用机制中的安全漏洞，重点分析了两种新型攻击方法。AMA攻击通过黑盒迭代优化恶意工具的元数据，使其在语义合法的前提下显著提升被智能体选择的概率，在多…
-
学术论文评审意见生成方法研究
学术论文投稿数量的不断增长带来巨大审稿压力，而人工智能和大数据的发展为学术论文自动化评审提供了契机。本次学术报告介绍了学术论文评审意见生成的两种最新方法，为减轻审稿人负担、提高评审…
-
代码异味检测
本次学术报告对以往实验室软件系统/代码质量评估的研究方向做了一个总结并引出新的概念：代码异味检测。针对代码异味概念，生成原因和研究最新的方向进行了探讨。同时结合两篇论文，从多异味检…
-
高斯混合模型及求解算法
高斯混合模型（Gaussian mixture model，GMM）用于对样本的概率密度分布进行估计，而估计…
-
序列标注模型
背景知识 序列标注模型被广泛应用于文本处理相关领域，例如分词、词性标注、命名实体识别等方面。现有的序列标注模型主要有HMM，MEMM 以及 CRF，通过对这几种自然语言处理中常用的…
-
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。
-
机器学习中的数据不平衡问题
数据不平衡问题是指一个类别的数据个数远远少于另一个类别的数据个数，通常这种问题被称为“数据不平衡”问题，在这…
-
基于T-Closeness的微聚集数据脱敏算法
大数据时代的到来，同时也带来了隐私、敏感信息保护方面的棘手难题。数据脱敏措施层出不穷，K-Anonymity，L-Diversity，T-Closeness，以及相结合的微聚集算法…
-
GBDT梯度提升决策树
梯度提升决策树（GBDT）是集成学习中梯度提升方法（Gradient Boost）与决策树（Decision…
