《AI安全之对抗样本入门》—1.1.3　定义损失函数

测值y和真实值y_总是完全一样。但是事实上这几乎是无法做到的，我们需要定义预测值和真实值之间的差距，也就是理想和现实之间的差距。可以认为深度学习训练的过程，就是不断追求损失函数最小化的过程。以Keras为例，常见的损失函数有以下几种：mean_squared_error或msem

百度RocketQA系列搜索技术论文解析（二）

   提出方案： 约束正负例的Embedding之间的距离：在传统loss的基础上，约束正负例之间的Embedding距离。但是模型没有直接对正负例的Embeding做约束，而是通过约束正例与query之间的距离与正负例之间的距离，达到加大正负例之间Embedding距离的目的。

Android恶意软件检测及对抗样本生成

更新的训练样本，如何同步在自动学习模型中同步？

新样本后怎么添加自动学习的模型中？

《AI安全之对抗样本入门》—2.4　Jupyter notebook

据和notebook文件的自有计算机上运行Jupyter notebook服务。Jupyter notebook部署方便，使用简单，广受深度学习开发和研究者的喜爱，本书的示例代码默认都使用Jupyter notebook编写。直接使用PIP安装Jupyter notebook即可。pip

《AI安全之对抗样本入门》—3.6　使用预训练模型

3.6　使用预训练模型在对深度学习模型生成对抗样本时，我们会经常使用预训练好的模型。主流的深度学习框架为了方便用户使用，都积极开放了经典模型以供下载。其中最多的还是机器视觉相关的图像分类与目标识别模型，比如：ResNet50VGG16InceptionV3下面我们将举例介绍如何使

《零样本学习：突破瓶颈，开启智能新征程》

成式模型可以通过生成新的样本数据来帮助机器进行学习。在零样本学习中，机器可以利用生成式模型来生成新的样本数据，从而弥补样本不足的问题。例如，在图像识别中，可以通过生成式模型生成新的图像样本，从而提高对新类别的识别和分类能力。 零样本学习的未来展望 零样本学习作为人工智能领域的重要

深度学习是什么？

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。深度学习是学习样本数据的内在规律和表示层次，这

数据样本少？数据不出局？联邦学习专治各种不服！

横向联邦学习：训练的数据特征相同，分布在不同地方的数据是属于不同用户的，属于样本数量的扩展，适用于同领域的样本量联合建模。 2. 纵向联邦学习：训练的数据特征不同，分布在不同地方的数据是属于相同用户的，属于样本特征的扩展，适用于不同领域的样本特征联合建模。 3. 联邦迁移学习：训练的数据特征不同，分

小样本学习【一】论文分享：Few-Shot Learning via Embedding Adaptation

Set-to-Set Functions. CVPR, 2020        在深度学习时代，基于少量数据学习视觉模型具有非常强大的挑战性。目前大部分小样本学习方法都是基于已知类数据学习视觉模型，然后迁移到新的小样本数据中。这类方法学习的是一个通用模型，没有针对目标任务进行特定的学习，因

如何定义目标检测网络的正负例：Anchor-based

一个gt box都有一个Anchor与之对应。RPN训练中，一张图片选取256个Anchors计算loss，正负样本Anchor的比例是1：1，如果正样本数量不够，用负样本填充。在fast rcnn中，对输出的proposal分配标签。正例：与某一gt box交并比超过0.5。负例：与gt

数据样本少？数据不出局？联邦学习专治各种不服！

横向联邦学习：训练的数据特征相同，分布在不同地方的数据是属于不同用户的，属于样本数量的扩展，适用于同领域的样本量联合建模。 2. 纵向联邦学习：训练的数据特征不同，分布在不同地方的数据是属于相同用户的，属于样本特征的扩展，适用于不同领域的样本特征联合建模。 3. 联邦迁移学习：训练的数据特征不同，分

官方给的案例代码中，yolov3等比例缩放，ssd为什么没有等比例缩放

您好，两个问题想请教一下：官方给的samples/InferObjectDetection案例中，DecodeEngine中yolov3等比例缩放，ssd为什么没有等比例缩放。官方给的samples/InferObjectDetection案例中，yolov3长宽分别16、2字节对齐，ssd长

《AI安全之对抗样本入门》—1.5.2　Bagging算法

依赖关系，可以并行生成。Bagging使用自助采样法，即对于m个样本的原始训练集，我们每次先随机采集一个样本放入采样集，接着把该样本放回，也就是说下次采样时该样本仍有可能被采集到，这样采集m次，最终可以得到m个样本的采样集。由于是随机采样，每次的采样集不同于原始训练集和其他采样集

由相似性迁移的弱样本细粒度分类

择少量的种类，然后再从少量的种类中抽取图片。对于单个新种类中网络图片来说，我们可以发现标签正确的样本通常占大多数。当在单个新种类中计算每一对图片的相似度时，我们可以发现标签错误的样本与其他大部分图片都不相似。因此，我们可以根据一张图片是否与其他图片相似来判断它标签的正确与否。对于

android 动态设置控件宽度，比例等

左边是手机上面的效果，右边是华为pad上面的效果。 中间 合同价 竣工结算价 这个分类要求显示4个，所以 这个里面item的宽度是动态计算的。 不然无法满足要求。 计算的思路 是用 （屏幕宽度-2*中间linearlayout的

记一次钓鱼样本分析下

对域前置的对抗技术，可以参见笔者blog中的另一篇关于对于样本分析的文章 0x04 思考： 这里笔者想借助这个样本的分析，表达对于几个问题的思考 一、制作样本和样本分析的对抗 1、从样本制作的角度（攻击者）: 想要对抗样本分析，很多时候是有一个短板效应的；好比这样一个问题：制造样本的时候，是否可以为了对抗分析

记一次钓鱼样本分析上

好久没写文章了，简单写篇样本分析的文章记录下前几天分析的一个样本，这个样本还是比较经典的，做了些反分析的手段，也使用了一些比较流行免杀对抗技术，能够免杀一些杀软；这篇文章我们主要看这个loader怎么做的，以及如何正常分析这样的样本和快速拿到c2；同时也分享一些奇奇怪怪的知识：如何提取样本特征做威胁狩猎以及对样本对抗的一些思考和想法；

CVPR2021零样本实例分割论文解读

新的任务名称叫做ZSI零样本实例分割。在ZSI训练阶段，模型用已知数据训练，在测试阶段，模型用来分割已知和未知的数据。我们首先制定了ZSI任务并且提出了抓住这个挑战的方法，包含零样本检测器，语义面具头，背景感知RPN和动态背景策略。我们展出了一个新的零样本实例分割基准，基于MS-

深度学习之批量算法

促使我们从小数目样本中获得梯度的统计估计的动机是训练集的冗余。在最坏的情况下，训练集中所有的 m 个样本都是彼此相同的拷贝。基于采样的梯度估计可以使用单个样本计算出正确的梯度，而比原来的做法少花了 m 倍时间。实践中，我们不太可能真的遇到这种最坏情况，但我们可能会发现大量样本都对梯度做