基于图结构的深度学习已经在各种应用中显示出令人兴奋的结果。然而，与图像或文本对抗攻击和防御的大量研究工作相比，此类模型的鲁棒性却很少受到关注。在本文中，我们重点关注通过修改数据组合结构来欺骗深度学习模型的对抗性攻击。我们首先提出一种基于强化学习的攻击方法，该方法学习可泛化的攻击策略，同时只需要来自目标分类器的预测标签。在额外的预测置信度或梯度可用的情况下，我们进一步提出基于遗传算法和梯度下降的攻击

特征空间中语义相似度攻击通过降低对抗样本与其对应的原始样本之间的相似度来生成对抗示例，同时增加了批处理数据集中对抗样本与最不相似样本之间的相似度。目前的医学图像辅助诊断系统在面对攻击时非常脆弱，这些攻击使分类模型几乎失效，在实际应用中造成严重的安全风险。所提出的攻击方法可以作为评估医疗诊断系统鲁棒性的一种方法。引出一种频域角度的防御机制：压缩对抗性图像的高频成分。

红色方块是 agent ，黄色圆圈和黑色方块都是目标状态，其中，黄色圆圈的奖励为 1，黑色方块的奖励为 -1。该迷宫一共有 16 个状态，每个状态可能的行为：u（上），d（下），l（左），r（右）。① 当前状态 2 的下一步行为只能选 3，根据迭代公式，考虑下一个状态和行为，状态 3 可能的行为：1、2 或 4。② 当前状态为 3，随机地，选取转至状态 4。下一个状态和行为：状态 4 可能的行为：

原文链接：https://blog.csdn.net/weixin_53692824/article/details/123735749。#7B68EE MediumSlateBlue 中暗蓝色/中板岩蓝。#483D8B DarkSlateBlue 暗灰蓝色/暗板岩蓝。#778899 LightSlateGray 亮蓝灰/亮石板灰。#2F4F4F DarkSlateGray 暗瓦灰色/暗石板灰。#

【代码】冻结ResNet50前几层并进行迁移学习（PyTorch）

红色方块是 agent ，黄色圆圈和黑色方块都是目标状态，其中，黄色圆圈的奖励为 1，黑色方块的奖励为 -1。该迷宫一共有 16 个状态，每个状态可能的行为：u（上），d（下），l（左），r（右）。① 当前状态 2 的下一步行为只能选 3，根据迭代公式，考虑下一个状态和行为，状态 3 可能的行为：1、2 或 4。② 当前状态为 3，随机地，选取转至状态 4。下一个状态和行为：状态 4 可能的行为：

原文链接：https://blog.csdn.net/weixin_53692824/article/details/123735749。#7B68EE MediumSlateBlue 中暗蓝色/中板岩蓝。#483D8B DarkSlateBlue 暗灰蓝色/暗板岩蓝。#778899 LightSlateGray 亮蓝灰/亮石板灰。#2F4F4F DarkSlateGray 暗瓦灰色/暗石板灰。#

红色方块是 agent ，黄色圆圈和黑色方块都是目标状态，其中，黄色圆圈的奖励为 1，黑色方块的奖励为 -1。该迷宫一共有 16 个状态，每个状态可能的行为：u（上），d（下），l（左），r（右）。① 当前状态 2 的下一步行为只能选 3，根据迭代公式，考虑下一个状态和行为，状态 3 可能的行为：1、2 或 4。② 当前状态为 3，随机地，选取转至状态 4。下一个状态和行为：状态 4 可能的行为：