Adaptive control: stability, convergence and robustness

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc

健壮性包 通过安装pip ： pip install robustness 阅读文档： : robustness是我们（在中的）创建的一个软件包，用于灵活，轻松地进行训练，评估和探索神经网络。 我们几乎在我们所有的项目中都使用了它（无论它们是否涉及对抗训练！），并且它将成为我们即将发布的许多代码版本中的依赖项。 使用该库的一些项目包括： （ ） （ ） （ ） （ ） 我们将在一组演练和我们的API参考中演示如何使用该库。 该库提供的功能包括： 使用针对各种数据集/体系结构训练和评估标准模型和健壮模型。 该库还提供添加和。 python -m robustness.main --dataset cifar --data /path/to/cifar \ --adv-train 0 --arch resnet18 --out-dir /logs/check

自适应控制入门教程。与反步控制形成一套完整控制逻辑。对于参数的估计，以及控制器设计，稳定性收敛，都提出了响应方法。本书重点介绍了确定性和自适应控制的确定性理论，重点是线性，连续时间，单输入单输出系统。

深度学习彻底改变了机器学习和人工智能，在几个标准基准上取得了超人的表现。众所周知，深度学习模型训练效率低;它们通过多次处理数以百万计的训练数据来学习，并且需要强大的计算资源来同时并行处理大量数据，而不是顺序处理。深度学习模型也存在非预期失效模式;他们可能会被愚弄，做出错误的预测。 在本文中，我们研究了提高深度学习模型训练效率和鲁棒性的方法。在学习视觉语义嵌入的背景下，我们发现优先学习更多的信息训练数据可以提高收敛速度和提高测试数据的泛化性能。我们形式化了一个简单的技巧，称为硬负挖掘，作为学习目标函数的修改，没有计算开销。接下来，我们在深度学习的通用优化方法中寻求优化速度的改进。我们展示了对训练数据采样的冗余感知修改提高了训练速度，并开发了一种检测训练信号多样性的有效方法，即梯度聚类。最后，我们研究了深度学习中的对抗鲁棒性，以及在不使用额外数据训练的情况下实现最大对抗鲁棒性的方法。对于线性模型，我们证明保证最大的鲁棒性实现只有通过适当的选择优化器，正则化，或架构。

对抗性鲁棒性工具箱（ART）v1.5 对抗性鲁棒性工具箱（ART）是用于机器学习安全性的Python库。 ART提供的工具使开发人员和研究人员可以针对逃避，中毒，提取和推理的对抗性威胁捍卫和评估机器学习模型和应用程序。 ART支持所有流行的机器学习框架（TensorFlow，Keras，PyTorch，MXNet，scikit-learn，XGBoost，LightGBM，CatBoost，GPy等），所有数据类型（图像，表格，音频，视频等）和机器学习任务（分类，对象检测，语音识别，生成，认证等）。 了解更多 --- ----- -， --- 该图书馆正在不断发展中。 欢迎反馈，错误报告和贡献

python库，解压后可用。 资源全名：robustness-1.0.post1-py3-none-any.whl

Bertsimas D,SimM.Thepriceofrobustness.OperationsResearch 2004;52(1):35–53.

Handbook for Robustness Validation of Automotive

This document addresses robustness of electrical/electronic modules for use in automotive applications. Where practical, methods of extrinsic reliability detection and prevention will also be addressed. This document primarily deals with electrical/electronic modules (EEMs), but can easily be adapted for use on mechatronics, sensors, actuators and switches. EEM qualification is the main scope of this document. Other procedures addressing random failures are specifically addressed in the CPI (Component Process Interaction) section 10. This document is to be used within the context of the Zero Defect concept for component manufacturing and product use. It is recommended that the robustness of semiconductor devices and other components used in the EEM be assured using SAE J1879 OCT2007, Handbook for Robustness Validation of Semiconductor Devices in Automotive Applications.