[paper]Universal adversarial perturbations

时间 2020-12-30

标签 AEs 栏目系统安全繁體版

原文原文链接

本文提出了计算自然图像中普遍扰动的算法，在神经网络上具有很好的泛化性，并且揭示了模型在高维空间中决策边界的几何联系。并且说明了在输入空间中存在单个方向的潜在安全漏洞，攻击者可能会利用这些漏洞造成模型对大多数自然图像分类错误。 universal 算法： μ \mu μ是图像分布 v v v是universal扰动 k ^ \hat{k} k^是模型 universal扰动 v v v需要满足两个条

>>阅读原文<<

1. Adversarial Perturbations
2. Multi-Label Adversarial Perturbations
3. 《Universal adversarial perturbations》文献阅读笔记
4. 对抗机器学习——Universal adversarial perturbations
5. 关于Distillation as a Defense to Adversarial Perturbations against Deep Neural Networks的理解
6. [paper]Distillation as a Defense to Adversarial Perturbations against Deep Neural Networks
7. Data-Free Adversarial Perturbations for Practical Black-Box Attack阅读笔记
8. Paper Review: Adversarial Examples
9. 【迁移攻击笔记】图像＆模型同时迁移2017Universal adversarial perturbations
10. Hidden Voice Attack | Adversarial Attack on Audio
更多相关文章...

最新文章

1. 外部其他进程嵌入到qt FindWindow获得窗口句柄报错无法链接的外部符号 [email protected] 无法被([email protected]@[email protected]@@引用
2. UVa 11524 - InCircle
3. The Monocycle（bfs）
4. VEC-C滑窗
5. 堆排序的应用-TOPK问题
6. 实例演示ElasticSearch索引查询term,match,match_phase,query_string之间的区别
7. 数学基础知识集合
8. amazeUI 复择框问题解决
9. 背包问题理解
10. 算数平均-几何平均不等式的证明,从麦克劳林到柯西

本站公众号

欢迎关注本站公众号,获取更多信息

1. Adversarial Perturbations
2. Multi-Label Adversarial Perturbations
3. 《Universal adversarial perturbations》文献阅读笔记
4. 对抗机器学习——Universal adversarial perturbations
5. 关于Distillation as a Defense to Adversarial Perturbations against Deep Neural Networks的理解
6. [paper]Distillation as a Defense to Adversarial Perturbations against Deep Neural Networks
7. Data-Free Adversarial Perturbations for Practical Black-Box Attack阅读笔记
8. Paper Review: Adversarial Examples
9. 【迁移攻击笔记】图像＆模型同时迁移2017Universal adversarial perturbations
10. Hidden Voice Attack | Adversarial Attack on Audio

>>更多相关文章<<