Adversarial

2024-11-13GAN, Generative Adversarial Networks（生成式对抗网络）
深度学习中最有趣的领域–GAN,GenerativeAdversarialNetworks（生成式对抗网络）GAN的基础概念GAN被“卷积网络之父”YannLeCun（杨立昆）誉为「过去十年计算机科学领域最有趣的想法之一」，是近年来火遍全网，AI研究者最为关注的深度学习技术方向之一。生成式对抗网络，简称G
2024-09-28【GAN】生成对抗网络Generative Adversarial Networks理解摘要
【Pytorch】生成对抗网络实战_pytorch生成对抗网络-CSDN博客【损失函数】KL散度与交叉熵理解-CSDN博客 [1406.2661]GenerativeAdversarialNetworks(arxiv.org)GAN本质是对抗或者说竞争，通过生成器和鉴别器的竞争获取有效地结果，换句话说，GAN是在养蛊，大量数据和批次的
2024-09-27李宏毅机器学习2023-HW10-Adversarial Attack
文章目录TaskBaselineFGSM(FastGradientSignMethod(FGSM)I-FGSM(IterativeFastGradientSignMethod)MI-FGSM(MomentumIterativeFastGradientSignMethod)M-DI2-FGSM(DiverseInputMomentumIterativeFastGradientSignMethod)ReportfgsmattackJepgCom
2024-09-19论文阅读：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
Abstract背景：希望能缩小CNN在监督学习和无监督学习之间成功应用的差距。贡献：引入了一类称为深度卷积生成对抗网络（DCGAN）的CNN。结果：DCGAN在生成器和判别器中都能从对象到场景学习表示层次结构。1.Introduction贡献：提出DCGAN用于图像分类任务，展示其性能对滤波器
2024-09-18论文阅读：Generative Adversarial Nets
Abstract本文贡献：提出GAN：生成模型 G，生成模型用来捕获数据的分布；辨别模型D，辨别模型用来判断样本是来自于训练数据还是生成模型生成的。在任意函数空间里，存在唯一解，G能找出训练数据的真实分布，而D的预测概率为
2024-07-22攻击方法(Adversarial method)
简介本文基于文章AReviewofAdversarialAttackandDefenseforClassificationMethods的总结，提供对抗领域的几种常见的攻击方法；一、基于梯度的攻击（Gradient-BasedAttack）非常经典的一种攻击方式，传统论文采用的攻击方法如FGSM,PGD,BIM,C&W等都是基于梯度的攻击方法这些
2024-03-17【论文阅读】Learning Transferable Adversarial Perturbations 学习可转移的对抗性扰动
文章目录一、文章概览（一）问题提出（二）文章的主要工作（三）相关工作二、模型细节（一）模型损失函数（二）训练算法（三）扰动的可迁移三、实验：评估攻击策略在不同环境中的有效性（一）实验设置（二）向未知目标模型的可转移性（三）向未知目标数据的可转移性（四）极端的跨域可转移性（五）稳健模型的可迁移性
2024-03-13【论文阅读】Natural Adversarial Examples 自然对抗的例子
文章目录一、文章概览（一）摘要（二）导论（三）相关工作二、IMAGENET-A和IMAGENET-O（一）数据集构造方式（二）数据收集过程三、模型的故障模式四、实验（一）评估指标（二）使用数据增强（三）使用更多更真实的标记数据（四）架构变化策略一、文章概览（一）摘要文章的主要工作：使用简单的对抗性过
2023-12-31GANs in the Wild: RealWorld Applications of Generative Adversarial Networks
1.背景介绍生成对抗网络（GenerativeAdversarialNetworks，GANs）是一种深度学习算法，由伊戈尔·Goodfellow等人于2014年提出。这种算法通过两个神经网络来学习数据分布：一个生成器（Generator）和一个判别器（Discriminator）。生成器的目标是生成类似于训练数据的新数据，而判别器的目标是区分这
2023-12-20论文阅读-Self-supervised and Interpretable Data Cleaning with Sequence Generative Adversarial Networks
1.GARF简介代码地址：https://github.com/PJinfeng/Garf-master基于SeqGAN提出了一种自监督、数据驱动的数据清洗框架——GARF。GARF的数据清洗分为两个步骤：规则生成(RulegenerationwithSeqGAN)：利用SeqGAN学习数据中的关系(datarelationship)。然后利用SeqGAN中
2023-11-08[论文阅读] [SAGAN] Self-Attention Generative Adversarial Networks
Self-AttentionGenerativeAdversarialNetworks(mlr.press)ZhangH,GoodfellowI,MetaxasD,etal.Self-attentiongenerativeadversarialnetworks[C]//Internationalconferenceonmachinelearning.PMLR,2019:7354-7363.引用：4501原作者代码：brain-research/self-
2023-11-07[论文阅读] [SNGAN] Spectral Normalization for Generative Adversarial Networks
1802.05957.pdf(arxiv.org)MiyatoT,KataokaT,KoyamaM,etal.Spectralnormalizationforgenerativeadversarialnetworks[J].arXivpreprintarXiv:1802.05957,2018.生成式对抗网络的频谱归一化，相比于WGAN-GP在激进的学习率和β1&β2下表现更好引用：4453代码：https:
2023-11-03【论文阅读】Generative Adversarial Nets
GoodfellowI,Pouget-AbadieJ,MirzaM,etal.Generativeadversarialnets[J].Advancesinneuralinformationprocessingsystems,2014,27.引用：61648原作者代码：GitHub-goodfeli/adversarial:Codeandhyperparametersforthepaper"GenerativeAdversarialN
2023-06-19SNN-RAT: Robustness-enhanced Spiking Neural Network through Regularized Adversarial Training
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！同大组工作 Abstract
2023-05-09Robust Deep Reinforcement Learning through Adversarial Loss
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！35thConferenceonNeuralInformationProcessingSystems(NeurIPS2021) Abstract最近的研究表明，深度强化学习智能体很容易受到智能体输入上的小对抗性扰动的影响，这引发了人们对在现实世界中部署此类代理的担
2023-05-05[Pix2Pix] Image-to-Image Translation with Conditional Adversarial NetWorks
paper：https://arxiv.org/pdf/1611.07004.pdf[CVPR2017]code：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixhttps://phillipi.github.io/pix2pix/[official]数据组织：需要成对图像这是加利福利亚大学在CVPR2017上发表的一篇论文，讲的是如何用条件生成对抗
2023-05-05Robust Deep Reinforcement Learning against Adversarial Perturbations on State Observations
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！NeurIPS2020
2023-04-25Cycle GAN：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
paper：https://arxiv.org/pdf/1703.10593.pdf[2017]code参考：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixhttps://zhuanlan.zhihu.com/p/79221194https://blog.csdn.net/fangjin_kl/article/details/128117396https://www.bilibili.com/video/BV1kb4y197P
2023-04-23Adversarial Robust Deep Reinforcement Learning Requires Redefining Robustness
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！
2023-04-21论文解读（FGSM）《Explaining and Harnessing Adversarial Examples》
论文信息论文标题：ExplainingandHarnessingAdversarialExamples论文作者：IanJ.Goodfellow,JonathonShlens,ChristianSzegedy论文来源：ICLR2015论文地址：download 论文代码：download视屏讲解：click1 介绍对抗攻击2方法扰动：$\eta=\varepsilon\operat
2023-01-28迁移学习（ADDA）《Adversarial Discriminative Domain Adaptation》
论文信息论文标题：AdversarialDiscriminativeDomainAdaptation论文作者：EricTzeng,JudyHoffman,KateSaenko,TrevorDarrell论文来源：CVPR2017论文地址：download
2023-01-02生成对抗网络GANs的用途
简介如果说目前深度学习最火，应用最多的领域，莫过于GAN--GenerativeAdversarialNetwork，翻译过来就是生成对抗网络，单单从名字上看，你会觉得它就是一个生成模型，看起来就是用于
2022-12-23【机器学习】李宏毅——Adversarial Attack（对抗攻击）
研究这个方向的动机，是因为在将神经网络模型应用于实际场景时，它仅仅拥有较高的正确率是不够的，例如在异常检测中、垃圾邮件分类等等场景，那些负类样本也会想尽办法来“欺骗”
2022-11-22论文理解【IL - 数据增广】 —— Adversarial Imitation Learning with Trajectorial Augmentation and Correction
文章目录1.前置内容1.1模仿学习中的数据增广1.2生成对抗模仿学习（GAIL）2.本文方法2.1增广轨迹的生成和矫正2.2使用增广轨
2022-11-22论文翻译 —— Adversarial Imitation Learning with Trajectorial Augmentation and Correction
文章目录I.INTRODUCTIONII.RELATEDWORKIII.PROPOSEDMETHODIII.A.FrameworkOverviewIII.B.CorrectedAugmentationforTrajec