基于随机平滑的数据中毒防御有多强健？ 抽象的 可证明可靠的分类器的预测在一个点附近保持不变，从而使它们在保证测试时间的情况下具有弹性。 在这项工作中，我们提出了对健壮的机器学习模型的前所未有的威胁，突显了训练数据质量在实现高认证健壮性方面的重要性。 具体而言，我们提出了一种基于双层优化的新型数据中毒攻击，该攻击会降低可证明的鲁棒分类器的鲁棒性保证。 与其他数据中毒攻击会降低一小组目标点上的中毒模型的准确性不同，我们的攻击会减少数据集中整个目标类的平均认证半径。 此外，即使受害者使用最新的健壮训练方法（例如， 和从头开始训练模型，我们的攻击也是有效的。 为了使攻击更难检测，我们使用带有明显较小失真的干净标签中毒点。 通过中毒MNIST和CIFAR10数据集并使用前面提到的鲁棒训练方法训练深度神经网络，并使用随机平滑验证其鲁棒性，来评估所提出方法的有效性。 对于使用这些强大的训练方法训练的模型

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

tsmoothie 一个用于以向量化方式进行时间序列平滑和离群值检测的python库。 总览 tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。 可用的平滑技术是： 指数平滑 具有各种窗口类型（常量，汉宁，汉明，巴特利特，布莱克曼）的卷积平滑 使用傅立叶变换进行频谱平滑 多项式平滑 各种样条平滑（线性，三次，自然三次） 高斯平滑 Binner平滑 低价 各种季节性分解平滑（卷积，最低，自然三次样条） 带有可自定义组件（水平，趋势，季节性，长期季节性）的卡尔曼平滑 tsmoothie提供了平滑处理结果的间隔计算。 这对于识别时间序列中的异常值和异常可能很有用。 关于使用的平滑方法，可用的间隔类型为： sigma间隔 置信区间 预测间隔 卡尔曼区间 tsmoothie可以执行滑动平滑方法来模拟在线使用。 可以将时间序列分成相等大小的片段，并分别进行平滑处理。 与往常一样，此功能通过WindowWrapper类以矢量化方式实现。 tsmoothie可以通过BootstrappingWrapper类操作时序引导程序。 支持的引导程序算法为： 没有重叠的块引导

数据平滑 数据平滑方法的演示，尤其是Lowess和B-Spline

Smoothing Splines Methods and Applications 包含文档和代码

在 File Exchange 上查看了许多 Savitzky-Golay 实现后，我找不到一个像这个这样简单但有效的实现。 savGol 来自 Walter Gander 和其他人的书“使用 Maple 和 Matlab 解决科学计算中的问题”。 甘德从 1990 年的《物理学中的计算机》中引用了 Teukolsky。这是该书网站的链接：http://www.solvingproblems.ethz.ch/ g = savGol(f, nl, nr, M) f：嘈杂的数据 nl：参考点左侧的点数 nr：参考点右侧的点数 M：最小二乘多项式的阶数 例子： x = [0:1000-1]'/(1000-1); 信号= exp（-100 *（x-1/5）。^ 2）+ exp（-500 *（x-2/5）。^ 2）+ exp（-2500 *（x-3/5）。^ 2) + exp (-12500*(

非参数回归广泛应用于许多科学和工程领域，例如图像处理和模式识别。 非参数回归即将估计一个随机变量的条件期望： E(Y|X) = f(X) 其中 f 是一个非参数函数。 基于核密度估计技术，该代码实现了所谓的 Nadaraya-Watson 核回归算法，特别是使用高斯核。 回归的默认带宽来自文献中建议的高斯核密度估计的最佳弯曲宽度。 代码还可以处理丢失的数据。

Savitzky-Golay算法实现论文，介绍算法（General Least-Squares Smoothing and Differentiation by the Convolution (Savitzky-Golay) Method）

sgolayfilt：Savitzky-Golay微分滤波器

3D-Laplacian-Mesh-Smoothing.zip,均匀、显式和隐式拉普拉斯网格平滑,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。