On Hiding Neural Networks Inside Neural Networkshttps://arxiv.org/abs/2002.10078v3本文提出了一种新颖的隐写方式，在神经网络中隐藏一个神经网络。神经网络所包含的参数往往比训练数据更多，过剩的参数量给信息隐藏提供了天然的土壤。神经网络拥有千万级甚至上亿的数据量，也就导致其参数的可能取值非常非常多，参数空间非常非常大。多任

mixup: BEYOND EMPIRICAL RISK MINIMIZATION这是ICLR2018的论文。https://arxiv.org/abs/1710.09412从本质上来说，mixup是在一对训练样本和标签的凸组合上训练神经网络。众所周知，在监督学习中，训练样本是一对(xi,yi)(x_i,y_i)(xi​,yi​)。mixup的做法就是随机抽取两个样本，然后对其进行插值。代码也非常

On Hiding Neural Networks Inside Neural Networkshttps://arxiv.org/abs/2002.10078v3本文提出了一种新颖的隐写方式，在神经网络中隐藏一个神经网络。神经网络所包含的参数往往比训练数据更多，过剩的参数量给信息隐藏提供了天然的土壤。神经网络拥有千万级甚至上亿的数据量，也就导致其参数的可能取值非常非常多，参数空间非常非常大。多任

这个帖子是为了汇总一些自己常用的，用于找论文的网站。找论文1.谷粉学术介绍：谷粉学术是谷歌学术的镜像。https://gfsoso.99lb.net/2.文献部落集中了谷歌学术，scihub等一些常用的网站。http://www.459.org/3.SCIHUB用于论文下载。好评https://tool.yovisun.com/scihub/4.arxiv每日学术速递会推荐一些最新的论文，可以逛逛

NEURAL ATTENTION DISTILLATION: ERASING BACKDOOR TRIGGERS FROM DEEP NEURAL NETWORKS这篇论文发布在ICLR2021。https://arxiv.org/abs/2101.05930本文提出一种新型的防御框架：Neural Attention Distillation(NAD)，用于去除DNN中的后门。NAD使用一个教师

Detecting Backdoor Attacks on Deep Neural Networks by Activation Clustering网址：https://arxiv.org/abs/1811.03728一些老生常谈，Abstract、Introduction之类的都已经被我省略，当然我都看了。本文指出，后门检测是具有挑战性的。因为后门触发器是未知的，只有Adversaries知道