“第十九章 深度学习的问题”版本间的差异

来自cslt Wiki
跳转至: 导航搜索
第12行: 第12行:
 
* 知乎:可解释人工智能[https://zhuanlan.zhihu.com/p/354233093]
 
* 知乎:可解释人工智能[https://zhuanlan.zhihu.com/p/354233093]
 
* 脆弱的神经网络:UC Berkeley详解对抗样本生成机制 [https://www.jiqizhixin.com/articles/2018-01-31-5]
 
* 脆弱的神经网络:UC Berkeley详解对抗样本生成机制 [https://www.jiqizhixin.com/articles/2018-01-31-5]
 
+
* 对抗样本为什么重要:未解决的研究问题与真实的威胁模型 [https://cloud.tencent.com/developer/article/1418617]
  
 
==视频展示==
 
==视频展示==
第22行: 第22行:
 
==开发者资源==
 
==开发者资源==
  
 +
* AI安全之对抗样本入门 [https://github.com/duoergun0729/adversarial_examples]
  
 
==高级读者==
 
==高级读者==

2022年8月8日 (一) 06:52的版本


教学资料


扩展阅读

  • 维基百科:可解释人工智能[1][2]
  • 知乎:可解释人工智能[3]
  • 脆弱的神经网络:UC Berkeley详解对抗样本生成机制 [4]
  • 对抗样本为什么重要:未解决的研究问题与真实的威胁模型 [5]

视频展示

演示链接

开发者资源

  • AI安全之对抗样本入门 [6]

高级读者

  • What is adversarial machine learning [7]
  • Fong R C, Vedaldi A. Interpretable explanations of black boxes by meaningful perturbation[C]//Proceedings of the IEEE international conference on computer vision. 2017: 3429-3437. [8]
  • Szegedy C, Zaremba W, Sutskever I, et al. Intriguing properties of neural networks[J]. arXiv preprint arXiv:1312.6199, 2013. [9]
  • Nguyen A, Yosinski J, Clune J. Deep neural networks are easily fooled: High confidence predictions for unrecognizable images[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 427-436. [10]
  • Eykholt K, Evtimov I, Fernandes E, et al. Robust physical-world attacks on deep learning visual classification[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 1625-1634. [11]
  • 可解释人工智能导论 [12]