基于显著图的鲁棒模型

人工智能安全中关于对抗样本的防御,鲁棒模型比非鲁棒模型的防御效果表现更好。利用对抗训练得到的鲁棒模型比非鲁棒模型对对抗样本具有更好的泛化性能,即鲁棒性更好,并且会显示出更多可解释的显著图。为更加深入地了解对抗训练的本质,通过显著图对鲁棒模型具有良好泛化性能的原因做出解释,鲁棒模型能够学习样本的显著特征,基于这类特征对输入样本做出决策。

基于对抗训练增强模型鲁棒性的新方法

将对抗样本引入训练过程可以提高深度学习模型的鲁棒性,而且能为模型提供可解释的梯度,但这一防御策略往往需要较多的计算资源和时间成本。为提升训练模型效率和鲁棒性,同时降低训练成本,提出一种基于随机扰动的对抗训练方法:首先利用基于FGSM(Fast Gradient Sign Method)的随机扰动方法生成对抗样本;其次,所提出算法的优越性;最后,利用周期性学习率和Adam(Adaptive Moment Estimation)相结合方法更新学习率。实验结果表明,通过引入周期性学习率机制,整个对抗训练过程的稳定性和拟合效果有了显著提升,所提出的训练方法能降低训练成本和提高模型的性能。

基于Android的快捷记事本的设计与实现

现代信息大量而繁杂,人类的记忆力也是良莠不齐,为了防止因忘记事情而阻碍了人类正常的进程,记事本应运而生。相比较于纸质的记事本易于丢失,参差不齐,效率低的缺点,安卓的记事本现在已经能很好地解决这些问题了,所以人们使用安卓记事本的频率逐渐上升,记事本逐渐成为生活必不缺少的部分。然而随着社会的快速发展,人们生活节奏越来越紧张,传统的记录信息进行管理模式已经没有办法满足时代发展需求。为方便用户进行记录日常信息,结合安卓技术的开源特性,开发了基于Android的快捷且多功能记事本App。