通过快速和可定制的对抗性数据生成提高深度学习系统的鲁棒性 如有任何疑问，请通过电子邮件联系： 。 代码概述 该代码包含七个子项目。 我们研究了三个自定义损失函数（LRP，NCE，可疑性），并在MNIST和CIFAR数据集上进行了实验。 由于DGN架构因使用的数据集而异，因此我们决定将项目分成子项目以避免复杂性。 对于每个自定义损失，我们有两个子项目，分别是RobustMNIST和RobustCIFAR。 因此，我们有六个与基于CAE的对抗性数据生成相关的子项目。 一个子项目用于使用IBM Robustness Toolbox生成FGSM和PGD攻击数据以及FGSM，PGD对抗训练。 六个基于CAE的对抗性数据生成项目中的每个项目都具有相同的Python脚本。 CustomLosses.py ：包含自定义损失函数，该函数将用作DGN模型的损失函数 train.py ：训练DGN模型并将

业务安全红蓝对抗的思考与实践.pdf 中小互联网企业业务安全建设实践.pdf 从0-1的企业安全建设之路.pdf 搭建切合实战的风控分析体系.pdf

人脸图像补全作为图像补全技术的一种特殊应用，在被遮挡人脸的识别、人脸修复等问题上有不可替代的作用。现有的人脸补全算法只针对补全图像的真实性，而未考虑其补全后的身份一致性。针对这一问题，设计了一种基于改进的生成式对抗网络的人脸补全算法，通过引入SN-GAN算法，提高了模型训练的稳定性，同时利用人脸识别模型对生成图像加入了身份一致性约束，经过实验证明，所提方法能够在生成高真实性图像时有效保持补全图像的身份一致。

1、DCGAN的简单总结 稳定的深度卷积GAN 架构指南: 所有的pooling层使用步幅卷积(判别网络)和微步幅度卷积(生成网络)进行替换。 在生成网络和判别网络上使用批处理规范化。 对于更深的架构移除全连接隐藏层。 在生成网络的所有层上使用RelU激活函数，除了输出层使用Tanh激活函数。 在判别网络的所有层上使用LeakyReLU激活函数。

DCGAN DCGAN是深度卷积生成对抗网络。 DCGAN由彼此相对的两个神经网络组成。 生成器神经网络学习创建看起来真实的图像，而鉴别器学习识别伪造的图像。 随着时间的流逝，图像开始越来越像训练输入。 图像以随机噪声开始，并且随着时间的推移越来越类似于手写数字。 下面的gif显示了100个训练纪元： [1] Goodfellow，Ian等。 “生成对抗网络。” 神经信息处理系统的进步。 2014.（全文： : ） [2] Radford，Alec，Luke Metz和Soumith Chintala。 “具有深度卷积生成对抗网络的无监督表示学习。” arXiv预印本arXiv：1511.06434（2015）。 （全文： : ） [3] Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。 “基于梯度的学习应用于文档识别。” IEEE会议论文集，

生成对抗网络代码

条件生成对抗网络源码

计算机病毒分析与对抗.pdf

本资源主要包含AnimeGANv3的照片动漫化算法，其是AnimeGAN和AnimeGANv2的升级版。可将现实世界的照片或视频转为动漫风格的照片或视频。主要动漫风格包含宫崎骏动漫风格，新海诚动漫风格。官方算法链接：https://github.com/TachibanaYoshino/AnimeGANv3

高效的暖启动预计梯度下降（EWR-PGD） 我们提出了一种新的名为EWR-PGD的白盒对抗攻击方法，该方法超越了最新的攻击性能。 它比最新的方法更有效。 代码即将推出。 EWR-PGD和ODI-PGD的比较 当将模型降低到相同的精度时，EWR-PGD所需的重新启动次数明显少于ODI-PGD的重新启动次数。 EWR-PGD的速度大约是ODI-PGD的5倍。 图1.在10个最新的防御模型上，当EWR-PGD和ODI-PGD方法将模型降低到相同精度时，所需重启次数的比较（越低越好）。 这些模型可在线获得： 3个白盒排行榜上的结果 EWR-PGD在TRADES白盒MNIST和CIFAR-10排行榜上排名第一，将MNIST模型的准确性降低到92.52％，将CIFAR-10模型的准确性降低到52.95％。 EWR-PGD在MardyLab的CIFAR-10白名单排行榜中也排名第一，将其CI