不做笔记的论文=没看。。。Contribution1.提出了一种新的方法Intermediate Level Attack(ILA)，该方法通过增加模型预先指定层上的干扰来增强黑盒对抗转移能力（在现有的攻击上进行fine tune）。并进行了全面的评估，表明该方法在多个数据集的多个模型上采用了最先进的方法。2.在经验观察的指导下，引入一个程序，仅使用源模型来选择一个最大化迁移性的层，从而避免在参数

一篇当时也没怎么看懂也没留点笔记的文章。。。Motivation我们都知道对抗扰动是在图片上添加了一些对DNN有意义但对人类无意义且大多数时间无法察觉的特征。反过来想，如果删除一些人类无法察觉但对DNN至关重要的特征呢？毕竟人类可以很容易识别信息丢失的视觉对象，甚至只有轮廓人类也可以识别。Contribution1.提出了AdvDrop这种攻击2.实验证实该攻击的有效性（targeted和non-

本次教程依旧来自DataWhale。GNN组对学习在此之前先补充一个error:CUDA error: the provided PTX was compiled with an unsupported toolchain找了好久，差点重启服务器了。其实是装包的时候，匹配的CUDA版本不对。。。InMemoryDataset这部分不做重点了，自定义一个数据可全部存储到内存的数据集类，简而言之自定义

本来是学习打卡的，一时兴起想听听处理的数据到底是个啥动静。。。遂一顿百度，最终锁定playsound，适用于.wav和.mp3格式，且算上头部声明就两行代码，完美！代码如下from playsound import playsoundplaysound(‘test.mp3’)结果就报了如下的错误一顿搜都没找到是为啥，其实只是需要把音频文件和代码放到同个文件夹下，害。真就人工6分钟的事人工智能6小时

泛化误差当模型在测试集等除训练集以外数据集表现糟糕时，往往会称模型泛化能力差，也称泛化误差大。泛化能力受到模型结构（复杂度）的影响。这里只讨论对数据集过拟合的情况。当模型太复杂，就容易过拟合，导致模型泛化能力不够即泛化误差大。以树模型为例，树越茂盛，深度越深，枝叶越多，模型就越复杂，因此调参时目标比较明确：减少模型复杂度，防止过拟合。要同时小心过拟合和欠拟合！追求平衡~模型评估两种方法：Holdo

泛化误差当模型在测试集等除训练集以外数据集表现糟糕时，往往会称模型泛化能力差，也称泛化误差大。泛化能力受到模型结构（复杂度）的影响。这里只讨论对数据集过拟合的情况。当模型太复杂，就容易过拟合，导致模型泛化能力不够即泛化误差大。以树模型为例，树越茂盛，深度越深，枝叶越多，模型就越复杂，因此调参时目标比较明确：减少模型复杂度，防止过拟合。要同时小心过拟合和欠拟合！追求平衡~模型评估两种方法：Holdo