DLShark

摘要： 《An Invisible Black-box Backdoor Attack through Frequency Domain》生成扰动的方式较为简单但有效，通过对中、高频的幅值加入一定的扰动来生成中毒样本了。 一、研究动机 ​ 在空间域的图像扰动生成的对抗样本很难做到既不被人眼发现又能够被深度学 阅读全文

摘要： 目录Word2VecHow achieveLookup tableCodingPre-dataingModelNegative sameple Word2Vec 单词与单词之间的向量往往不在同一个向量空间，例如，传统的编码方式：one-hot编码，不同单词[1, 0, 0]和[0, 1, 0]之间的 阅读全文

摘要： 这篇文章是笔者阅读《深度学习推荐系统》第五章推荐系统的评估的学习笔记，在原文的基础上增加了自己的理解以及内容的补充，在未来的日子里会不断完善这篇文章的相关工作。 离线评估 在离线环境中利用已有的数据划分训练集和测试集对模型进行评估 划分数据集方法 机器学习常用划分方法：Holdout法、交叉验证、留 阅读全文

摘要： 一、基本内容 基本内容：GBDT的基础上，在损失函数上加入树模型复杂度的正则项 与GBDT一样，也是使用新的弱学习器拟合残差（当前模型负梯度，残差方向） GBDT损失函数 \[Loss = \sum_{i=1}^{N}L(y_i, y_i^{t}) \] XGboost损失函数 \[Loss = \ 阅读全文

摘要： 一、前置知识 ​ 真阳性(TPR)：正样本被正确分类个数与所有正样本的总数的比值 \[TPR = \frac{TP}{TP+FN} \]​ 假阳性(FPR)：负样本被错误分类个数与所有负样本的总数的比值 \[FPR=\frac{FN}{FN+TN} \]​ 其中，TP表示正确分类的正样本，TN表示正 阅读全文

摘要： 一、基本内容 提升树的分类 - 二分类问题 回归问题 模型 Adaboost的特例，每个弱分类器的高度为2，并且权重为1 损失函数 指数损失函数 平方误差损失函数 优化方式 通过经验风险最小化拟合新的弱分类器 通过残差拟合新的弱分类器 ​ 针对不同的问题，不同的损失函数有不同的优化方式，GBDT提出 阅读全文

摘要： Adaboost 一、基本内容 [!note] 实现思路：在每一轮训练中，记录每一次由\(f(x) = \sum_{m=1}^{i-1}\alpha_mG_m(x)\)【错误\正确】分类的样本，在加入新的弱学习器中【提高\降低】分类【错误\正确】样本的权值（即改变样本的比例，类似过采样与降采样） 加 阅读全文

摘要： 欧拉函数 内容：表示1-n中与n互质的个数 原理：一个数可以被质因子表示，而除了质因子及其倍数，剩下的个数都是与n互质 推导（容斥原理）： ​ 1-N总共有N个数，首先将质因子\(p_1,p_2...p_n\)中的倍数减去，因为质因子的倍数与n是不互质的，因此首先减去质因子倍数的个数： \[N = 阅读全文

摘要： 一、研究动机 [!note] 原理：经过处理后的视频在视觉和音频信号之间通常会有不一致的现象，提出一种基于异常检测算法实现视频伪造取证。 挑战：不同于简单的检测不同步的例子，因为由于视频采集往往会有“延迟”现象，出现帧偏移现象 创新点：提出在视听特征中实现异常检测，该特征包含了视听特征的一致性 二、 阅读全文

摘要： 一、研究动机 [!note] 动机：目前基于噪声的检测是利用Photo Response Non-Uniformity (PRNU)实现的，这是一种由于相机感光传感器而造成的缺陷噪声，主要用图像的源识别，在伪造检测的任务中并没有很好的表现。因此在文中提出了一种基于伪造噪声痕迹的检测算法。 实现原理： 阅读全文