1.更新策略选择①optimization-based和多步方法IGSM：成功率高；转移性低。（可能“过拟合”or陷入局部最优）②单步方法FGSM： 成功率低；转移性高。所以用: MI-FGSM：2.集成方式选择MI-FGSM还不够，得利用集成网络来进一步提高成功率。利用的方式有3种待测试：①输入softmax的logits②softmax输出的prediciton③计算得到的...

1.Universalization of any adversarial attack using very few test examples思想：用目前的攻击方法（FGSM,DeepFool,etl）获取几张不同的图的攻击成功的样本，将其组合成矩阵，对矩阵进行主成分分析、奇异值分解，获取他们的共同点，这样便可以得到泛用的对抗攻击个体。[根据攻击方式的不同分为SVD-FGSM,SVD-Deep

核心思想：对于边界点，通过在一些方向上移动的测试，确定梯度方向的大致位置。如图:①想法：对于扰动方向θ在与边界交点画圆，我们希望在标签改变的方向（B方向）的圆轨迹上确定点作为下一个扰动方向θ’，最小扰动肯定比θ好。②问题：在只知道改变后标签内容的硬黑盒攻击下，如何确定B方向呢？③方法：只好多试几次取平均来估计喽~算法内容：①首先，针对初始图像x0，对任意扰动方向θ定义问题g（θ）：...

论文链接：https://arxiv.org/abs/1812.06371?context=cs.LG1 核心思想：计算扰动前后的标签概率差与扰动带来的系统泰勒展开差值的比例，来判断当前约束大小是否合适。如果比例大，说明这个区域可以信任，继续增大扰动量，反之减小扰动量。其中分母为：2 工作：将对抗攻击问题转化为TR优化问题，结果优于FGSM和deepfool，扰动小。（但deepfo...

values =X_train.dataindices = np.vstack((X_train.row, X_train.col))i = torch.LongTensor(indices)v = torch.FloatTensor(values)shape = X_train.shapeX_train=torch.sparse.FloatTensor(i, v, torch.Size(shap

今天开启新项目 电脑python版本参差不齐之前又是conda又是各种虚拟环境 于是今天全部删除重新安装python3.9。遇到很多坑，有的解决了都不知道怎么回事。先记录俩个。1 python3.9加入环境变量时，不仅exe的文件夹要加，script也要加进去，不然cmd-python找不到。2 安装3.9在python3.9文件夹中，pycharm新建项目添加现有解释器选择这个，提示invail

这次阅读的俩篇文章是基于L∞约束的《Parsimonious Black-Box Adversarial Attacks via Efficient Combinatorial Optimization》和《Yet Another but More Efficient Black-Box Adversarial Attack: Tiling and Evolution Strategies》,放在一

0.总览上交和阿里巴巴团队的一篇我觉得是把集成迁移攻击研究透了的文章。每个trcik都有很复杂的数学支撑，1.Introduction①目前主流的迁移方法：ensemble-based 和 GAN， 对算力和内存要求高。②因此提出SMBEA（Serial Mini-Batch Ensemble Attack），基于俩个先验：模型迁移相当于网络泛化；边界相似度比扰动大小的限制更重要。③将集...

本人研一新生，就读于天津某大学精仪学院，第一次发帖，就把csdn当成自己的学习笔记来记录叭。这学期开了现代信号处理这门课，大作业是写一篇review，我在学习卡尔曼滤波的过程中，查阅了大部分的博客和论文，发现很多都是介绍了卡尔曼滤波的五个核心公式，执行过程，然后举个栗子附一段代码。可能本人理解能力比较差，最开始只知道怎么用，研究了一段时间才明白“为什么”要这么用。我觉得上面五个核心公式的实际意..

最近做的项目用到了自抗扰，尝试联系一些相关领域的老师，无奈似乎有所保留，只得自己从头研究起。讲道理，无论是复杂的系统，还是超过9个参数的调节，整个调程序和调参的过程都不是特别顺利。但是看到自抗扰的鲁棒性能之后，还是颇为欣慰。粗调后整个系统虽然在冷启动时期的表现跟PI控制相差不多，但是对抗突变干扰的能力却碾压了PI控制。 在这里记录一下大体调节的心路历程，祭奠这俩周逝去的青春（雾）：跟踪微分器参数.