对抗样本方向上的经典论文（Goodfellowetal.），对已有的工作进行了一个全面的总结，解释了神经网络对干扰表现脆弱的原因是神经网络的线性（早期的解释是对抗样本的原因是非线性和过拟合），设计了一种快速生成adversarialexamples的方法（Fast
生成对抗网络是一种包含无监督学习的模型，通过(无监督地)向有标签样本学习其数据分布来生成类似的样本，这种过程更类似于人类学习外界知识时候采用的无监督方式。.生成对抗网络可以改善一般网络模型过于依赖数据数量及标签的缺点，是近几年内最有...
深度神经网络容易受到对抗样本的攻击。为了解决这个问题，一些工作通过向图像中添加高斯噪声来训练网络，从而提高网络防御对抗样本的能力，但是该方法在添加噪声时并没有考虑到神经网络对图像中不同区域的敏感性是不同的。针对这一问题，提出了梯度指导噪声添加的对抗训练算法。
在本文中，我们简要讨论了攻防的概念，并介绍了清华大学近日开源的NLP对抗样本攻防必读论文列表。.自然语言处理方面的研究在近几年取得了惊人的进步，深度神经网络模型已经取代了许多传统的方法。.但是，当前提出的许多自然语言处理模型并不能够...
论文发表选题：基于对抗样本的神经网络安全性问题研究综述.摘要：随着神经网络的运用日益广泛，安全问题越来越受重视。.对抗样本的出现更是使得攻击神经网络变得轻而易举，该文以神经网络的安全性问题为出发点，介绍了对抗样本的概念和形成原因...
该论文发表在ICLR2014上，是对抗样本（adversarialexamples）领域的开山之作，主要探究了神经网络两个违反直觉的性质：神经网络中携带语义信息的不是某单个神经元，而是整个网络所表示的…
图1：三种网络的对抗样本和原始样本的对比，以及错误分类结果。图2：3D打印的对抗样本。第2节里列举了机器视觉中关于对抗攻击的常用术语。第3节回顾了针对图片分类任务的对抗攻击。图…
来源：AMiner科技对抗训练（adversarialtraining）是增强神经网络鲁棒性的重要方式。在对抗训练的过程中，样本会被混合一些微小的扰动（改变很小，但是很可能造成误分类），然后使神经网络适应这种改变，从而对对抗样本具有鲁棒性。
生成对抗网络(GAN)来源论文《GenerativeAdversarialNets》读后总结前言这是一些对于论文《GenerativeAdversarialNets》的简单的读后总结，首先先奉上该文章的下载超链接：GAN这篇文章是由蒙塞拉大学(Univer…
摘要：随着人工智能的蓬勃发展,深度神经网络在图像分类,自动驾驶,场景监控,医疗健康等领域都得到了广泛的应用。在深度神经网络取得巨大成功的同时,其安全性问题也越来越受人关注,当前大量研究表明神经网络易受对抗样本攻击,以图像识别为例,通过在原始图像上添加一些人眼不可识别的微小...