摘要 文章提出了一种多对抗域自适应（MADA Multi - Adversarial Domain Adaptation）方法，它能够捕捉 多模式结构 以基于 多个域鉴别器实现不同数据的细粒度对齐。 ps ：其实就是对齐的更细，相较于 DAAN 那种源域和目标域整体的对齐，把域根据分类任务划分，按一个个类进行对齐。 1. 介绍
摘要 本文是早期的对抗文章，本文最最主要的工作是：提出了一个生成对抗样本的算法--JSMA（Jacobian Saliency Map）。然后在实验阶段，作者首先证明了这个方法使用的扰动很小，但对抗性很强，然后给出了一系列的方法用于计算不同的自然样本和不同的类别被攻击的难易程度，最后证明了JSMA 对抗样本
摘要 作者从鲁棒优化（robust optimization）的角度研究了神经网络的对抗鲁棒性（adversarial robustness）。基于鞍点公式（min-max）本文提出了一种防御任何对抗样本的方法。 1 介绍 本文的主要贡献： 对抗样本的生成、对抗训练（即攻击与防御）是同一的，这是一个鞍点公式（下文的公式(1)）的优化问题
目录概主要内容代码 Lee S., Lee H. and Yoon S. Adversarial vertex mixup: toward better adversarially robust generalization. In IEEE Conference on Computer Vsion and Pattern Recognition (CVPR), 2020. 概 本文提出类注意哦那个 AVmixup 方法用以提高鲁棒的泛化性.
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！ ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 29 (NIPS 2016), (2016): 4565-4573
本文要解决的问题和GRAF基本一致，而且模型结构也非常相似，都是GAN结构，只不过整合了GAN领域的一些新结构，对效果做了提升。 具体结构就如上图a所示，输入相机位置和噪声（用于替换GRAF中的物体纹理和形状先验），预测对应点的颜色和密度，主要提升有三方面： 1. 激活函数 从上图a中可以很清楚的
Adversarial Learning for Semi-Supervised Semantic Segmentation 论文原文 摘要 创新点：我们提出了一种使用对抗网络进行半监督语义分割的方法。 在传统的GAN网络中，discriminator大多是用来进行输入图像的真伪分类（Datasets里面sample的图片打高分，generator产生的图片打低分），而本文
论文：https://arxiv.org/pdf/2002.04709.pdf 代码：https://github.com/cubeyoung/TA-VAAL 本人最近在调研深度主动学习，视觉方向，欢迎交流。初次写blog，轻喷。 Abstract 深度主动学习的最近探索的是任务不可知的方法选择远离当前已标注样本集的数据点以及基于任务模型。不幸的是，前
图1 项目属性和用户配置文件之间关系的示例。左边列出了鞋子的属性，而右边列出了从相应的属性推断出的可能的用户配置文件 简介 该论文于2020年发表在WSDM上，目的是解决推荐系统中的冷启动问题。作者认为商品的属性可以反映用户的特征，如图1所示，一个鞋子会有不同的特征，这些特征能从
Paper Information Title：《Generative Adversarial Networks》Authors：Ian J. Goodfellow, Jean Pouget-Abadie, M. Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron C. Courville, Yoshua BengioSources：2014, NIPSOther：26700 Citations, 41 ReferencesCode：Dow
生成对抗网络 Generative Adversarial Nets(GAN)详解 近几年的很多算法创新，尤其是生成方面的task，很大一部分的文章都是结合GAN来完成的，比如，图像生成、图像修复、风格迁移等等。今天主要聊一聊GAN的原理和推导。 github: http://www.github.com/goodfeli/adversarial 论文： htt
基本信息 标题：ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks 简称：ESRGAN 时间：2018年初版，1 Sep 2018, ECCV2018 PIRM Workshop 作者：Xintao Wang, Ke Yu, Shixiang Wu, Jinjin Gu, Yihao Liu, Chao Dong, Chen Change Loy, Yu Qiao, Xiaoou Tang； CUHK-Se
提起李宏毅老师，熟悉机器学习的读者朋友一定不会陌生。最典型的就是开局一言不合就“宝可梦”。李宏毅老师幽默风趣的教学风格也吸引力很多机器学习爱好者。 李宏毅老师，是宝岛台湾大学电机工程系教授，他分别于2010年和2012年获得硕士和博士学位，主要研究机器学习尤其是深度学习
看论文居然没找到别人写的博客，第一次啊 那我自己来写吧=。=萌新水平 轻喷 （同步博客园和知乎 知乎markdown不支持latex公式 懒得搞了） Adversarial Attack on Skeleton-Based Human Action Recognition 基于骨架的人体动作识别的对抗攻击 ST-GCN的对抗攻击 原文：https://arxiv.org/ab
目录概主要内容 Huster T., Chiang C. J. and Chadha R. Limitations of the lipschitz constant as a defense against adversarial examples. In European Conference on Machine Learning and Data Mining (ECML PKDD), 2018. 概 本文是想说明现有的依赖Lipschitz常数的以获
最近忙于处理一些琐杂的事情，还有就是在做多目测量的进展调查，唉，没空啊~如果我能疯狂翘课就好了 -.-!
参考链接： 【强化学习应用1１】对抗策略：深度强化学习攻击(1) - 知乎 (zhihu.com) 强化学习对抗攻击总结_葛萧艾的博客-CSDN博客 参考文献： Sandy H. Huang, Nicolas Papernot, Ian J. Goodfellow, Yan Duan, and Pieter Abbeel. Adversarial attacks on neural network policie
iccv2019的文章 介绍 基于池的半监督算法，总的来说vaal=GAN+VAE+AL，感觉还挺有新意的。理解难度大概是在loss上。值得注意的一点是与传统的主动学习算法不同，本文方法是任务不可知的，即它不依赖于我们试图获取标记数据的任务的性能。以往算法的算样本的不确定性其实是与模型相关
Behavior imitation of individual board game players 可以把 behavior imitation 列为 keywordby dividing the imitation process into two stages → \to → 技术比阶段
Synthetic Medical Images from Dual Generative Adversarial Networks Abstract 目前数据驱动型的方法进行医学图像的分类十分受追捧，但鉴于医学图像的稀缺性，有些图像的获取还涉及到病患隐私等问题使得医学图像更加难以获取。一般只允许将病患的数据用于医学期刊或教学中，
论文原文链接：[2002.00293] Beat the AI: Investigating Adversarial Human Annotation for Reading Comprehension (arxiv.org) 来源：TACL2020 使用到的数据集：SQuAD1.1、DROP、NaturalQuestions，以及自己构造的数据集 Abstract 注释方法的创新已经成为阅读理解 (RC) 数据集和模型的
发表时间：2018（NeurIPS 2018） 文章要点：这篇文章提出了一个对分类任务检测异常点的方法。文章首先说异常点可以有两类，一类是OOD（out-of-distribution），一类是对抗样本（adversarial samples）。很多方式只能检测一种，不能两种一起。作者这种方法对这两类异常点都适用，并且更加稳健，取得了SOTA的
Abstract Our goal is to learn a mapping G : X → Y such that the distribution of images from G(X) is indistinguishable from the distribution Y using an adversarial loss. Because this mapping is highly under-constrained, we couple it with an inverse mapping
Abstract: 目前大量的工作将CNNs引入到隐写分析中，并超越了传统的隐写分析算法。这些工作显示了深度学习在信息隐藏领域的改进潜力。也有几个显示基于深度学习的作品做图像隐写术，但是这些作品在容量、不可见性和安全性上仍然存在问题。本文中，我们提出了一种新的CNN架构ISGAN，在
Fixing Data Augmentation to Improve Adversarial Robustness 笔记 Abstract1.Introduction2.Related Work3.Preliminaries and Hypothesis4.Heuristics-driven Augmentations5.Data-driven Augmentations7.Conclusion Abstract 对抗训练存在鲁棒过拟合，这是一种鲁棒测试
