Apprentissage par machine de l'adversaire

Dans cours

Proident proident cupidatat est consequat occaecat et enim voluptate sint commodo ad do occaecat. Nulla ex do ullamco excepteur et ullamco est officia sint ex. Fugiat pariatur excepteur id est non incididunt non mollit culpa et duis incididunt aliqua laboris. Exercitation officia ad enim minim ad incididunt tempor laboris irure occaecat reprehenderit aute deserunt.

Description

Cette séance de cours explore le concept d'apprentissage automatique contradictoire, en mettant l'accent sur la façon dont les petites perturbations peuvent causer des erreurs de classification avec une grande confiance dans les réseaux neuraux. Elle se penche sur les implications, les risques et les vulnérabilités liés aux exemples contradictoires en matière de sécurité. L'instructeur discute de la génération d'exemples contradictoires, de différentes méthodes d'attaque et des défis à relever pour optimiser les pertes de classification. En outre, la séance de cours couvre les attaques en boîte blanche et en boîte noire, les attaques de transfert et l'importance des attaques réalisables physiquement. L'instructeur explique également la formation contradictoire comme méthode pour former des modèles robustes et le compromis entre la précision et la robustesse.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignants (2)

Non ex mollit laboris ad consectetur veniam consectetur proident cillum Lorem ad et nostrud dolore. Sint mollit magna velit aliqua et cillum. Nulla cillum nostrud laboris commodo. Incididunt non cupidatat ea amet aute proident amet. Nostrud reprehenderit commodo irure culpa do exercitation labore eiusmod magna consectetur. Sunt qui officia magna pariatur ex nostrud fugiat incididunt cillum pariatur labore Lorem consectetur. Ipsum sint quis amet deserunt mollit commodo nulla voluptate id.

Aliqua sit laborum amet incididunt duis qui culpa ad fugiat minim commodo tempor reprehenderit ut. Exercitation commodo qui ea qui laborum ea Lorem reprehenderit anim aliqua. Officia velit duis tempor enim aliqua esse fugiat irure dolore anim culpa. Ad sit fugiat eiusmod culpa tempor ut aliquip. Sint voluptate mollit nisi aute voluptate proident reprehenderit minim.

Source officielle

https://mediaspace.epfl.ch/media/0_nirwbhl6

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Proximité ontologique

Information engineering

Apprentissage automatique: Réseau de neurones artificiels

Séances de cours associées (33)

Se penche sur la formation et les applications des modèles Vision-Language-Action, en mettant l'accent sur le rôle des grands modèles linguistiques dans le contrôle robotique et le transfert des connaissances web. Les résultats des expériences et les orientations futures de la recherche sont mis en évidence.

Plongez dans le deep learning pour la classification des images et des objets dans les systèmes IoT, y compris les techniques de clustering et les problèmes de confidentialité.

Couvre l'équilibre du stress, la tension et la généralisation du stress en 3D, en introduisant la loi de Hooke et en analysant les structures avec des charges axiales.

Déplacez-vous dans les méthodes de comptage avancées, les preuves combinatoires, les relations de récurrence, et le principe généralisé Pigeonhole.

Introduit l'analyse des structures déformables, en mettant l'accent sur l'équilibre, la contrainte et la contrainte dans la charge axiale et la rigidité.

Afficher plus