[发明专利]神经网络模型结构搜索方法、装置、电子设备及存储介质有效
| 申请号： | 201911202953.5 | 申请日： | 2019-11-29 |
| 公开（公告）号： | CN110909877B | 公开（公告）日： | 2023-10-27 |
| 发明（设计）人： | 王洋;刘焱;郝新;吴月升;熊俊峰;唐佳伟 | 申请（专利权）人： | 百度在线网络技术（北京）有限公司 |
| 主分类号： | G06N3/094 | 分类号： | G06N3/094;G06N3/0985;G06N3/045;G06N3/0475;G06F21/57 |
| 代理公司： | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人： | 石茵汀 |
| 地址： | 100085 北京市*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本申请公开了一种神经网络模型结构搜索方法、装置、电子设备及存储介质，涉及机器学习领域。具体实现方案为：基于预设的搜索策略和搜索空间，生成目标神经网络模型的各候选结构；利用预设的训练样本集、预设的测试样本集及预设的对抗样本集，对每个候选结构的目标神经网络模型进行训练、测试，确定每个候选结构的目标神经网络模型对应的性能函数值；若第一候选结构的目标神经网络模型对应的性能函数值满足阈值，则确定所述第一候选结构为所述目标神经网络模型的目标结构。本申请的方案能够使得最终确定的目标神经网络模型的目标结构的防御性具有通用性，解决现有技术中应对对抗样本攻击的防御方法，其防御效果有限的技术问题。 | ||
| 搜索关键词： | 神经网络 模型 结构 搜索 方法 装置 电子设备 存储 介质 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于百度在线网络技术（北京）有限公司，未经百度在线网络技术（北京）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911202953.5/，转载请声明来源钻瓜专利网。
- 同类专利
- 时空交通预测模型的对抗训练方法、装置、设备及介质-202310943458.X
- 刘帆;刘浩 - 广州市香港科大霍英东研究院
- 2023-07-28 - 2023-10-27 - G06N3/094
- 本发明公开了一种时空交通预测模型的对抗训练方法、装置、设备及介质，方法包括：获取时空交通预测模型，将所述时空交通预测模型的对抗训练过程定义为优化问题；利用训练好的策略网络，动态选取对抗训练过程中的对抗节点；通过知识蒸馏技术，利用所述对抗节点和所述优化问题对所述时空交通预测模型进行对抗训练。本发明实施例能够提高时空交通预测模型的对抗鲁棒性，在时空流量预测任务中更有效地防御动态对抗攻击。
- 为训练人工神经网络生成真实数据-202280017331.9
- Y·杨;D·克罗帕斯;H-G·科普肯 - 西门子股份公司
- 2022-02-03 - 2023-10-27 - G06N3/094
- 本发明涉及一种用于生成真实数据RD来训练人工神经网络的方法和设备。用于监控工业过程的合适且精确的人工神经网络的产生需要巨大量真实训练数据的可用性。本发明提出了通过用从残差数据的模型中提取的样本来增强这种过程的模拟数据SD来生成这种真实数据RD，其中残差数据表示在从真实过程收集的真实数据和在该真实过程的模拟中生成的模拟数据之间的差异。
- 风险预测模型的训练方法、使用方法及装置、设备及介质-202311138830.6
- 张广智 - 平安银行股份有限公司
- 2023-09-04 - 2023-10-27 - G06N3/094
- 本发明实施例公开了一种风险预测模型的训练方法、使用方法及装置、设备及介质，训练方法包括：获取原始训练样本集，原始训练样本集包括若干历史交易数据与风险类型标签的对应关系，风险类型标签包括正常交易的正样本标签或欺诈交易的负样本标签；将原始训练样本集中负样本标签对应的原始负样本数据集输入预设的生成模型进行负样本数据扩充，得到候补的目标负样本数据集；将目标负样本数据集以及原始训练样本集输入预设的判别模型进行模型训练，直至模型收敛，得到训练后的判别模型，将训练后的判别模型作为风险预测模型。通过上述方法，可以使正负样本尽可能均衡，以此训练得到的判别模型在作为风险预测模型使用时，预测结果的准确度有所提高。
- 基于多视图信息交互的光场图像超分辨率网络生成方法-202310410553.3
- 杨永祺;周树波 - 东华大学
- 2023-04-16 - 2023-10-27 - G06N3/094
- 本发明公开了一种基于多视图信息交互的光场超分辨率网络生成方法，属于图像超分辨率重构技术领域，为了解决光场图像空间分辨率不足的问题。本发明采用了对抗生成网络作为网络的整体结构来提高网络的性能。针对光场数据的特殊性采用了分解核卷积，来提取光场图像的空间角度信息，同时与通道注意力机制结合，形成基于分解核的通道注意力残差模块。所提网络的生成器中采用了多个分解核通道注意力残差模块串联，并在该部分引入输入密集残差结构，实现特征提取。而判别器中则同样使用分解核卷积来提取特征，输出最终判别结果。该网络能提取光场数据中的更丰富的信息，来实现光场超分辨率重建。
- 一种高迁移性的对抗样本生成方法和系统-202310046878.8
- 常相茂;晋子康 - 南京航空航天大学
- 2023-01-31 - 2023-10-27 - G06N3/094
- 本发明提供一种高迁移性的对抗样本生成方法和系统，其中方法包括获取原始图像在指定的深度学习网络多个中间层的特征图；根据中间层的激活值和梯度将所有特征图划分为正向特征区域和负向特征区域；将所有指定中间层的不同区域加权求和作为损失函数，以使用动量法对损失函数进行处理得到每次迭代攻击的对抗样本；在迭代攻击次数达到预设次数的情况下生成高迁移性的对抗样本。本发明通过准确的特征划分方式，量化地解释正向特征和负向特征对对抗样本迁移性的影响，即正向特征主导了对抗性样本的迁移性，扰动更多的特征可以生成更高迁移性的对抗样本。
- 神经网络模型结构搜索方法、装置、电子设备及存储介质-201911202953.5
- 王洋;刘焱;郝新;吴月升;熊俊峰;唐佳伟 - 百度在线网络技术（北京）有限公司
- 2019-11-29 - 2023-10-27 - G06N3/094
- 本申请公开了一种神经网络模型结构搜索方法、装置、电子设备及存储介质，涉及机器学习领域。具体实现方案为：基于预设的搜索策略和搜索空间，生成目标神经网络模型的各候选结构；利用预设的训练样本集、预设的测试样本集及预设的对抗样本集，对每个候选结构的目标神经网络模型进行训练、测试，确定每个候选结构的目标神经网络模型对应的性能函数值；若第一候选结构的目标神经网络模型对应的性能函数值满足阈值，则确定所述第一候选结构为所述目标神经网络模型的目标结构。本申请的方案能够使得最终确定的目标神经网络模型的目标结构的防御性具有通用性，解决现有技术中应对对抗样本攻击的防御方法，其防御效果有限的技术问题。
- 文本对抗样本的生成方法、装置、电子设备和存储介质-202311179061.4
- 陆笛 - 腾讯科技（深圳）有限公司
- 2023-09-13 - 2023-10-20 - G06N3/094
- 本申请涉及文本处理技术领域，尤其涉及一种文本对抗样本的生成方法、装置、电子设备和存储介质，用以解决目前对抗样本生成方法所存在的局限性，提出一种在句子粒度上的对抗样本的生成方法。其中，方法包括：获取预先构建的句子样本检索库，句子样本检索库中包含多个候选句子，以及每个候选句子各自对应的语义特征；对于每个原始句子，提取原始句子的语义特征；将原始句子分别与句子样本检索库中各个候选句子，进行语义特征匹配；根据特征匹配结果，从各个候选句子中筛选出至少一个目标候选句子；以每个原始句子各自对应的目标候选句子作为相应原始句子的对抗样本，构建训练样本集。本申请提出了一种在句子粒度上的对抗样本的生成方法。
- 用于训练第一人工神经网络结构的过程、计算机系统、计算机程序和计算机可读介质-202080108379.1
- M·登哈尔托赫 - 罗伯特·博世有限公司
- 2020-12-02 - 2023-10-20 - G06N3/094
- 为了使计算机能够做出明智的决定(又名人工智能)，它们必须使用某种形式的“世界模型”将原始传感器数据转换为可操作的信息。“传统”算法使用人为工程化的模型，针对手头特定的问题量身定制。这些算法在设计/训练期间通常只需要有限量的数据样本，因为适用范围窄且自由参数数量有限。公开了一种用于改进第一人工神经网络结构(1)的过程，其中，数据样本由第一人工神经网络结构(1)分类为不同的类(4)，其中，至少一些类(4)是无监督类(6)，所述无监督类(6)由无监督学习生成和/或供给，其中，对于至少一个无监督类(6)，训练第二人工神经网络结构(2)用来生成人工候选对象(7)，所述人工候选对象(7)属于所述无监督类(6)，其中，生成的人工候选对象(7)在监督学习中被标记和/或标注，用于标记和/或标注所述无监督类(7)。
- 一种基于功率谱损失的GAN类生成图像的优化方法-202310873822.X
- 叶学义;杨梦豪;曾懋胜;李刚;陈华华 - 杭州电子科技大学
- 2023-07-17 - 2023-10-13 - G06N3/094
- 本发明公开了一种基于功率谱损失的GAN类生成图像的优化方法，首先确定需要进行优化的生成图像对应的GAN类生成网络；计算生成图像的功率谱损失；将功率谱损失加入原有GAN类生成网络的对抗损失中，对原有GAN类生成网络进行再一次训练；最后通过再一次训练后的GAN类生成网络生成优化后的生成图像。本发明方法针对GAN类生成图像的二维功率谱曲线甚高频部分的上翘，仅在GAN类生成器原有的对抗损失中添加功率谱损失，而训练过程中其它因素都不变的条件下，不仅能在一定程度上优化生成图像的二维功率谱曲线，同时也能提高生成图像的质量。
- 虚拟形象生成模型的训练与虚拟形象的生成方法、装置-202310787077.7
- 李杰 - 北京百度网讯科技有限公司
- 2023-06-29 - 2023-10-13 - G06N3/094
- 本公开提供一种虚拟形象生成模型的训练与虚拟形象的生成方法、装置，涉及计算机视觉、增强现实、虚拟现实、深度学习等人工智能技术领域，可应用于元宇宙、数字人等场景。其中，虚拟形象生成模型的训练方法包括：获取训练数据；构建包含向量生成模块、属性生成模块、密度生成模块、颜色生成模块与图像生成模块的神经网络模型；根据样本信息得到样本高斯噪声；使用样本高斯噪声与虚拟形象标准图像训练神经网络模型，得到虚拟形象生成模型。虚拟形象的生成方法包括：获取待处理输入信息，根据待处理输入信息得到待处理高斯噪声；将待处理高斯噪声输入虚拟形象生成模型，根据虚拟形象生成模型的输出结果得到与待处理输入信息对应的虚拟形象。
- 一种基于高频特征损失的GAN类生成图像的优化方法-202310873821.5
- 叶学义;睢明聪;曾懋胜;陈海颖;郭春生 - 杭州电子科技大学
- 2023-07-17 - 2023-10-13 - G06N3/094
- 本发明公开了一种基于高频特征损失的GAN类生成图像的优化方法，首先确定需要进行优化的生成图像对应的GAN类生成网络；计算生成图像的高频特征损失；然后将高频特征损失加入原有GAN类生成网络的对抗损失，对原有修改后GAN类生成网络进行再一次训练；最后通过再一次训练后的GAN类生成网络生成优化后的生成图像。本发明方法针对GAN类生成器使用Trans‑conv所生成图像带有大量杂乱高频噪声的问题，仅在GAN类生成器原有的对抗损失中添加高频特征损失，而训练过程中其它因素都不变的条件下，能明显提高生成图像的质量与多样性。
- 一种基于自适应多尺度退化的可转移性对抗攻击方法-202310814359.1
- 杨阳;位纪伟;冉燃;王国庆 - 电子科技大学
- 2023-07-04 - 2023-10-13 - G06N3/094
- 本发明公开了一种基于自适应多尺度退化的可转移性对抗攻击方法，使用相应的分辨率退化在不同尺度上产生扰动，以使对抗性样本对这些模型间小尺度差异不那么敏感。不同尺度的扰动是通过一系列降低输入图像的分辨率副本来获得的。为了进一步利用不同尺度的扰动，本发明提出了一种基于自适应多尺度退化的攻击，该攻击实现了自适应多尺度扰动融合，提升了生成对抗样本的可迁移性。同时，本发明采用了自适应多尺度扰动融合设计，并利用噪声对不同尺度摄动的可转移性进行初步评估，然后进行自适应融合，防止了某一特定尺度陷入局部最优而影响整体性能。
- 一种对抗攻击的防御方法及电子设备-202310924820.9
- 王亚运;廖炳焱;林骏;金恒;殷俊 - 浙江大华技术股份有限公司
- 2023-07-26 - 2023-10-13 - G06N3/094
- 本发明公开了一种对抗攻击的防御方法及电子设备，用于通过噪声在频域和时域上的差异性来检测是否存在噪声，从而达到对抗攻击的防御效果，并且将去噪和检测噪声相结合来提升训练效率，节约计算资源。该方法包括：获取输入图像，对所述输入图像进行去噪处理，得到去噪图像；根据所述输入图像和所述去噪图像分别在时域上的时域特征，确定第一差值，以及根据所述输入图像和所述去噪图像分别在频域上的频域特征，确定第二差值；根据所述第一差值和所述第二差值的差异度，确定所述输入图像对应的去噪图像中是否存在对抗攻击噪声。
- 基于样本分离的深度网络对抗鲁棒性提升方法-202310510775.2
- 王冉;高雪丹;邬文慧 - 深圳大学
- 2023-05-08 - 2023-10-10 - G06N3/094
- 本发明公开了一种基于样本分离的深度网络对抗鲁棒性提升方法，包括在一个数据集上训练一个分类神经网络；用给定的方法攻击神经网络，得到X
- 融合优化算法渐近正态性的高迁移对抗样本生成方法-202211048884.9
- 景丽萍;方正伟;黄韬;王睿 - 北京交通大学
- 2022-08-30 - 2023-10-10 - G06N3/094
- 本发明提供一种融合优化算法渐近正态性的高迁移对抗样本生成方法，通过数据增强的方式引入随机性，使得对抗样本的生成的随机梯度优化过程满足正态渐近特性，并通过统计迭代路径中所有样本噪声的均值和协方差用于构造噪声后验分布，用于更好地捕获优化空间的几何信息，提升对抗样本优化过程的稳定性和对抗样本的泛化能力、迁移能力；此外本方法能够从获得的正态分布中采样对抗噪声以生成不限数量的有效对抗样本。
- 一种成员推理攻击防御方法、装置、设备及储介质-202310799077.9
- 田有亮;马曦华;丁泽华;何清怡;杨庆;王帅 - 贵州大学
- 2023-07-03 - 2023-10-03 - G06N3/094
- 本申请提供一种成员推理攻击防御方法、装置、设备及储介质，包括：根据隐私数据集训练教师模型，采用动态调整损失目标算法，调整目标模型；动态调整损失目标算法包括：将测试数据在目标模型每轮的反馈结果与RelaxLoss技术结合，保证方法适用范围广；利用知识蒸馏技术保证模型能正常拟合；通过训练数据的表现来动态优化学生模型的学习路径问题，提高模型抗攻击的能力；根据损失目标的不断迭代优化，实现成员推理防御；判定结果包括：无法判断数据属于训练数据集或测试数据集，从而解决了传统的正则化方法注重模型的效用能力，无法有效的解决模型的隐私安全问题，以及针对成员推理攻击的正则化方法，由于损失目标受到限制，无法得到普及与推广的技术问题。
- 一种图像文本双端迁移攻击方法、装置和介质-202310235411.8
- 张音捷;王之宇;白冰;张兴明;邹涛;孙才俊;张奕鹏;陈岱渊;黎海燕;孙天宁;朱桢;徐昊天 - 之江实验室
- 2023-03-13 - 2023-09-29 - G06N3/094
- 本发明公开了一种图像文本双端迁移攻击方法、装置和介质，该方法的步骤包括分析攻击目标模型、本地替代模型训练、对抗样本生成和对抗样本迁移，其中，分析攻击目标模型，即对比语言图像预训练模型，其可以接受图像与文本两端输入，之后根据输出向量的相似度进行结果预测；本地替代模型训练为根据目标模型的骨干网络训练替代模型，用于迁移攻击；对抗样本生成为对本地替代模型的进行攻击，进而获得图像和文本的对抗样本；对抗样本迁移为对抗样本输入对比语言图像预训练模型，最终导致网络无法正常工作，网络预测分类错误。本发明从图像和文本两个输入端口进行攻击，同时在本地训练相关模型进行迁移攻击，大幅提高了攻击成功率。
- 一种文本驱动人脸编辑的对抗攻击方法、装置和介质-202310945896.X
- 陈岱渊;王之宇;张音捷;白冰;张兴明;刘恬;黎海燕;韩孟玲;范逸飞 - 之江实验室
- 2023-07-31 - 2023-09-22 - G06N3/094
- 本发明涉及一种文本驱动人脸编辑的对抗攻击方法、装置和介质，方法包括获取图像样本和文本样本，图像样本包括原始图像和目标图像；基于文本样本，确定固定语义映射模型；将原始图像样本输入到图像逆向模型得到原始图像逆向特征；然后输入到固定语义映射模型，其输出与原始图像逆向特征加权组合得到编辑后图像逆向特征，加权因子为可优化超参数；根据编辑后图像逆向特征生成编辑后生成图像；判断是否收敛，并对加权因子收敛迭代优化，得到最终编辑后图像逆向特征从而生成最终编辑后生成图像。与现有技术相比，本发明具有保证了对抗样本的攻击有效性，增强了对抗干扰的不可见性，提高了对抗样本的图像质量等优点。
- 一种基于可学习元评估网络的对抗性训练方法-202310788347.6
- 杨阳;位纪伟;陈彤;徐行 - 电子科技大学
- 2023-06-29 - 2023-09-19 - G06N3/094
- 本发明公开了一种基于可学习元评估网络的对抗性训练方法，在对抗性训练一个轮次中，交替更新可学习元评估网络和目标模型，在整个对抗性训练过程中，同时更新可学习元评估网络和目标模型。此外，为了保持公平性，元数据仅用于训练可学习元评估网络。在每个迭代中，首先一个复制目标模型为元模型，然后更新可学习元评估网络，在学习元评估网络的参数之后，直接丢弃元模型，并且使用参数更新后的可学习元评估网络以训练目标模型。本发明通过构建一个基于元学习的可学习评估网络来评估对抗样本难度并生成相应权重来对对抗训练的损失函数重新加权来帮助对抗训练，这样调整对抗样本难度以适应模型的当前状态，这样不需要过度拟合低质量有偏见的对抗样本，因此，本发明在不降低对抗文本质量的同时，提升了目标模型的鲁棒性。
- 一种智能训练并行仿真系统及方法-202310790740.9
- 张连怡;卿杜政;薛小强;董国宝 - 北京仿真中心
- 2023-06-29 - 2023-09-19 - G06N3/094
- 本发明公开一种智能训练并行仿真系统及方法，该系统包括智能算法训练管理模块，用于管理对抗训练的过程，并将智能算法训练管理模块产生的控制命令发送给分布并行仿真运行控制模块和智能体决策模块；分布并行仿真运行控制模块，用于管理对抗过程中多个推演环境模块，实现推演文件下发、监视系统工作状态、监视仿真训练过程以及记录训练数据；智能体决策模块，用于定义抽象函数的基类，并将智能体决策模块与推演环境模块建立连接；推演环境模块，用于进行推演训练。通过智能体决策模块与推演环境模块之间进行请求应答机制，实现了消息通信，减少不必要的冗余信息，降低训练过程中的通信代价，有利于虚拟智能对抗训练。
- 一种基于条件对抗样本的模型投毒方法及系统-202210353815.2
- 刘小垒;胥迤潇;辛邦洲;王玉龙;杨润;殷明勇 - 中国工程物理研究院计算机应用研究所
- 2022-04-01 - 2023-09-19 - G06N3/094
- 本发明公开了一种基于条件对抗样本的模型投毒方法及系统，属于人工智能安全技术领域，解决现有技术容易出现无效投毒的情况，从而造成数据被防御，无法使模型的性能降低。本发明获取训练数据集，其中，训练数据集包括多个不同类别的子集，各子集包括多个正常样本；在训练数据集中任选一个子集或多个子集，给子集中各正常样本初始化两个扰动；基于已预训练的检测模型对正常样本和两个扰动进行检测，若满足要求，得到正常样本与两个扰动之和，即条件对抗样本，若不满足要求，更新扰动后再次执行步骤3；将得到条件对抗样本的正常样本替换为条件对抗样本，替换完成后得到新的训练数据集，并基于新的训练数据集训练检测模型。本发明用于模型投毒。
- 一种改进的对抗扰动后门攻击方法-202310199740.1
- 黄洪;袁国桃;李心;王兆莲;杜瑞 - 四川轻化工大学
- 2023-03-05 - 2023-09-15 - G06N3/094
- 本发明公开了一种能够提高干扰扰动稳定性和隐蔽性，并且能够更有效的逃避防御模型的检测的基于高斯分布的对抗扰动后门攻击方法。该基于高斯分布的对抗扰动后门攻击方法首先在对抗攻击中叠加一种满足高斯分布的噪声，这使得对抗攻击在干净样本和干净模型中生成的对抗扰动更小，再将这些扰动叠加成通用对抗扰动；然后，在部分干净样本上添加这些扰动，并更改它们的标签来构造有毒样本，将毒样本用于模型训练，从而产生后门攻击。采用该基于高斯分布的对抗扰动后门攻击方法不仅可以减少数据分布异常、提高扰动生成的稳定性，而且在抗检测性上也有较大的提升。
- 一种基于相同语义特征的对抗样本生成方法与系统-202310818420.X
- 凌捷;凌海;罗玉 - 广东工业大学
- 2023-07-04 - 2023-09-15 - G06N3/094
- 本发明公开了一种基于相同语义特征的对抗样本生成方法与系统，涉及人工智能安全的技术领域，包括获取原始图像样本并对应生成扰动样本，输入待攻击的神经网络模型，计算第一相似性分数和第二相似性分数；对相似性分数设置权重因子调整扰动样本，获得优化后的扰动样本；计算优化后的扰动样本的上界并进行约束，获得初始对抗样本；判断初始对抗样本是否满足预设要求，若不满足，将初始对抗样本作为新的扰动样本进行新一轮迭代，否则获得最终对抗样本。本发明稳定性和成功率高，不限制特定的数据集，使得生成的对抗样本更具有普适性和可迁移性，且误导分类器时保持高度不可感知，提高了对抗攻击的可靠性和实用性，达到有效欺骗分类器的目的。
- 一种大模型对抗样本的生成方法-202310635311.4
- 温正棋;王小鹏 - 中科极限元（杭州）智能科技股份有限公司
- 2023-05-31 - 2023-09-08 - G06N3/094
- 本发明公开了一种大模型对抗样本的生成方法，该大模型对抗样本的生成方法包括以下步骤：采用生成式大模型，将音频信息和文本信息编码为中间特征，解码还原为音频文件；引入循环损失计算，随机替换掉音频部分信息，达到音频各部分信息解耦；利用强化学习，采用马尔科夫决策过程，减少了人工标注的工作量。该大模型对抗样本的生成方法引入循环损失，对中间特征各部分信息解耦，提升模型性能且对各部分可控；通过训练生成式大模型，降低对数据质量的要求；通过强化学习系统，根据输入的文本信息自动的选择恰当的情感信息等，做到了在数据层面无需额外情感标注，且合成后的结果对于情感的选择、强烈程度更加自然平滑。
- 一种基于预处理的图像对抗防御方法-202310472410.5
- 李智;王卫东;付顺旺;夏汐辰;文广 - 贵州大学
- 2023-04-27 - 2023-09-05 - G06N3/094
- 本发明公开了一种基于预处理的图像对抗防御方法包括，利用卷积神经网络和视觉变换器的特性，构建鲁棒性防御网络模型；将所述鲁棒性防御网络模型分为三个部分，即鲁棒性防御网络模型；通过对鲁棒性防御网络模型进行训练，实现所述鲁棒性防御网络模型中自然样本和重建实例的分类高精度；本发明构建的鲁棒性防御网络模型能够保护预测网络免受各种对抗攻击；通过在ChannelProcessing处理过程中对CSA进行改进，使得网络收敛速度加快，形成更完善的注意机制；并利用应用像素空间中的MSE度量解决了图像去噪问题；提出正则化损失函数解决了误差放大效应，提高了模型的鲁棒性和防御性能。
- 高光谱图像分类的生成对抗网络的方法、装置、设备-202310674472.4
- 左东润;李卫东;高又松;王卫田 - 西安超越申泰信息科技有限公司
- 2023-06-07 - 2023-09-05 - G06N3/094
- 本申请涉及深度学习技术领域，公开一种高光谱图像分类的生成对抗网络的方法，包括：采集高光谱样本图像的样本数据，并将样本数据输入到生成网络；生成网络将输入的样本数据进行训练，输出训练后的假样本；将假样本和真实样本输入到判别网络，判别网络根据真实样本判断假样本的真实性，输出真样本和假样本之间的误差；判别网络将误差信息反馈到生成网络，生成网络根据误差信息重新训练输入的样本数据，反复迭代，当误差小于指定阈值，结束迭代，获得高光谱图像分类的生成对抗网络。该方法能够减少本生成对抗网络对外部输入样本数的依赖，降低学习成本。本申请还公开一种高光谱图像分类的生成对抗网络的装置、设备和存储介质。
- 基于协同增强图结构同质性的防御方法-202210173005.9
- 连德富;朱志豪;吴陈旺;陈恩红 - 中国科学技术大学
- 2022-02-24 - 2023-09-05 - G06N3/094
- 本发明公开了一种基于协同增强图结构同质性的防御方法，该方法使用伪标签来刻画异质性，通过模型和数据协同的方式，迭代增强同质图的同质信息。该防御方法更加高效更加准确，大大提升了图结构的安全性。
- 清理模型训练方法、触发器清理方法、装置和存储介质-202310456431.8
- 徐雄;秦湛 - 浙江大学杭州国际科创中心
- 2023-04-24 - 2023-09-05 - G06N3/094
- 本申请涉及一种清理模型训练方法，该方法包括：循环执行如下步骤，直至清理模型满足收敛条件：获取用于生成触发器的生成模型，将图像噪声输入生成模型得到触发器，其中，生成模型根据上一轮训练得到的清理模型和图像噪声迭代得到；叠加不包含触发器的样本图像的图像矩阵和触发器，将叠加结果输入上一轮训练得到的清理模型，得到清理图像；将清理图像输入受后门攻击的模型，得到清理图像的图像标签；根据图像标签和样本图像的真实标签之间的标签距离、清理图像和样本图像之间的像素距离，调整上一轮训练阶段训练得到的清理模型的参数，解决了用于清理未知数据集中触发器的清理模型适用范围较小的问题，实现了后门攻击防御效果的提高。
- 字符生成模型的训练方法、字符生成方法、装置和设备-202111057826.8
- 唐礼承;刘家铭 - 北京百度网讯科技有限公司
- 2021-09-09 - 2023-09-05 - G06N3/094
- 本公开提供了字符生成模型的训练方法、字符生成方法、装置和设备，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域。具体实现方案为：获取第一训练样本，基于所述第一训练样本训练目标模型，并获取第一字符对抗损失；获取第二训练样本，基于所述第二训练样本训练所述目标模型，并获取第二字符对抗损失、组件分类损失和风格对抗损失；根据所述第一字符对抗损失、所述第二字符对抗损失、组件分类损失和风格对抗损失，调整所述字符生成模型的参数。本公开实施例可以提高字符生成模型生成的字体的准确率。
- 字体生成模型训练方法、字库建立方法、装置及设备-202111056558.8
- 刘家铭;唐礼承 - 北京百度网讯科技有限公司
- 2021-09-09 - 2023-09-01 - G06N3/094
- 本公开提供了一种字体生成模型训练方法、字库建立方法、装置及设备，涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于OCR等场景，包括：将源域样本字输入到字体生成模型，得到第一目标域生成字；将所述第一目标域生成字输入到字体鉴别模型，得到所述字体生成模型的目标对抗损失；根据所述目标对抗损失更新所述字体生成模型的模型参数。本公开实施例能够提高字体生成模型学习字体特征的能力，从而提高字体生成模型生成字体的美观度，进而提高字体生成模型生成字体级别字体的能力。
- 专利分类
