Публикации по теме 'adversarial-network'
Краткое введение в состязательные примеры
С самого начала эры машинного обучения одним аспектом, который оставался неизменным, были данные. Наша модель сильно зависит от данных, которые мы используем для обучения нашей модели. Шум в данных может существенно повлиять на различные задачи анализа данных, такие как классификация, кластеризация и анализ ассоциаций. Что, если кто-то попытается манипулировать нашими точками данных? Один из вопросов, который может возникнуть у вас, заключается в следующем: «Ну, как кто-то может..
Враждебное автодополнение
Если вы читаете эту статью, у вас, вероятно, есть представление об увеличении данных. Расширение данных — это эффективный метод увеличения разнообразия набора данных, который показал улучшение общей производительности сетей. Однако ему никогда не уделялось должного внимания, больше внимания уделялось поиску лучших архитектур. До статьи AutoAugment единственным методом выбора техник аугментации был случайный выбор. Это была первая статья, в которой было предложено параметризованное..
Знай своего врага
Как вы можете создавать и защищаться от враждебных атак
В настоящее время движущей силой машинного обучения является создание все более точных моделей, при этом меньше внимания уделяется безопасности и надежности этих моделей. Как я уже говорил в своем предыдущем посте , модели машинного обучения, такие как классификаторы изображений, уязвимы для крошечных возмущений их входных данных, которые заставляют их принимать неправильные решения. Цель этого поста - рассказать вам, как..
Изучение состязательного перепрограммирования
Google brain недавно опубликовал статью под названием Состязательное перепрограммирование нейронных сетей , которая привлекла мое внимание. Он представил новый тип состязательного примера для нейронных сетей, которые могли бы действительно выполнять полезную задачу для злоумышленника, а не просто обманывать атакуемую сеть. Атака перепрограммирует сеть, предназначенную для конкретной задачи, на выполнение совершенно другой. В документе показано, что популярные архитектуры ImageNet,..
Генеративно-состязательные сети (GAN)
Состязательная тренировка — это простая идея, и ее простота делает ее приближающейся. Настоящая концепция, которая быстро развивается для машинного обучения и особенно для генеративных моделей нейронных сетей. Основной подход к генеративно-состязательным сетям заключается в противопоставлении алгоритмов друг другу. Это также дает надежду на увеличение и улучшение точности ИИ и создание объектов с помощью ИИ, требующих творчества человека. Внедрение генеративно-состязательных сетей..
Состязательные атаки и защита сверточных нейронных сетей
Недавно было показано, что отличные результаты могут быть достигнуты в различных реальных приложениях, включая беспилотные автомобили, анализ медицинских изображений и распознавание человеческого лица. Эти достижения объясняются достижениями глубоких нейронных сетей (DNN), а также доступностью огромных объемов данных и вычислительной мощностью. Характерными примерами этих достижений являются беспилотные автомобили, которые настолько надежны, что им больше не нужны человеческие водители..
Генеративные состязательные сети - объяснение
Глубокое обучение изменило способ работы, вычислений и сделало нашу жизнь намного проще. Как заметил Андрей Карпаты , это действительно программное обеспечение 2.0 , поскольку мы научили машины разбираться в вещах сами. Существует множество существующих методов глубокого обучения, которые можно объяснить его успешным успехом. Но глубокие генеративные модели не оказали серьезного воздействия, что связано с их неспособностью аппроксимировать трудноразрешимые вероятностные вычисления...
