清華大学、ドン陰鵬：ディープラーニングの敵対頑健性

シーン未満は、まだ学術レポート最も乾燥品を参照してください！

こんにちは、みなさん、こんにちは。ここでは、学術レポート列があり、小扁は、コアの動作を読んで、私たちは科学技術研究論文の最善を捧げるよう個人的に、学生のための記録ドライグッズをレポートになります時間までの時間を実行し、最初の手を取得する方法を見つけるPPT、ライブビデオ - 十分乾燥品、新鮮十分！いくつかの単語の男はすぐにこっち、言った、あなたは彼の暇な時間でより多くの貴重な知識を読み取ることができるように、これらの優秀な若手研究者、専門家や学術報告書の優秀青年を願っています。

人工知能フォーラム今日はもちろん、ハードグッズの膨大が、作物の乾燥クリームがあります。AIは、将来は・ユース・アカデミックフォーラムが発足2019年1月19日以来、フォーラムは、海外13カ国30の以上の州で参加する何千人もの人々、登録グループ誘致累積12のために開催された、とされていることを言いました400の大学や研究機関。十二AIは未来が・ユース・アカデミックフォーラム（Baiduの博士課程の奨学金、特定のコンサート）が北京Baiduのテクノロジーパーク講堂K6 2020年1月5日午後に開催されたと述べました。ドン陰鵬清華大学は、あなたのレポート持参する「ディープ・ラーニングの敵対頑健性を。」

ドン陰鵬フルフィールドレポート動画

ドン陰鵬、清華大学3年博士課程の家庭教師教授朱のコンピュータ科学人工知能研究所の部門。機械学習とコンピュータビジョン、中心の闘いにおける学習環境の堅牢性の深さの研究のための主要な研究の方向。

コンテンツレポート：既存の深い学習モデル用のサンプル質問に対する攻撃者によってだまされやすく、強力な対立環境での学習の深さの3つの研究の博士ドン結果。

ディープラーニングの敵対頑健性

深度学习这两年取得了很多进展，相关模型也被用于各类系统。但与此同时，深度学习模型的可靠性也受到诸多考验。多种发现表明，深度学习模型容易被攻击者的对抗样本所欺骗，即攻击者向原始样本中添加一些微小的样本，而这些样本会导致模型将该项本错误地归类。一些样本在人眼看来和原张没有区别，但深度学习模型却做出了错误的判断，这会带来一些很实际的安全隐患。在实际系统当中也存在对抗样本，如在交通数据中添加一些噪声，就会使得自动驾驶系统预测错误。

对抗样本可以归结为优化问题，为求解这样的优化问题，有很多方法用于寻找对抗样本，或是直接优化对抗样本。很多方法都需要获取网络梯度，即网络参数信息，这被称为白盒攻击，而无需网络梯度的方法被称为黑盒攻击。基于对抗样本的迁移性能，即针对一种模型的对抗样本，也能欺骗其他模型，这可以产生对抗样本。另一方面，可以通过估计模型梯度，或者随机搜索的方法寻找对抗样本。

董博士的第一项工作是动量迭代式样本生成方法。对抗样本的迁移性能和白盒攻击能力是无法两全需要权衡的。借鉴优化领域的动量算法，在对抗样本的生成过程中，记录并使用了动量叠加过程，这样既提高了对抗样本的迁移性能，提升了对黑盒模型的攻击能力，又能够对白盒模型不过于敏感。

现有一些方法能够提升模型的防御力。董博士的第二项工作是通过图像变换、频域变换，相比其他算法，在攻击效率不变的同时，减少对当前模型的敏感程度，更好地攻击具有防御的黑盒模型。

第三项工作是结合未知网络梯度的攻击方法和网络梯度估计方法，更有效地提升黑盒攻击。