Feb, 2024

域桥：基于生成模型的黑盒模型域取证

PDF
TL;DR这篇论文介绍了一种增强的方法来确定机器学习模型的数据领域和特定属性，并使用图像嵌入模型作为编码器和生成模型作为解码器。该方法通过迭代改进描述并生成更具体的图像，以识别模型输入领域的特定属性，为深度学习模型的详细法医分析铺平了道路。
forensic investigationsmachine learning modelsdata domainimage embedding modelgenerative model
发现论文，激发创造
  • 领域对抗深度图像生成用于领域泛化

    本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

    Mar, 2020

  • 在取证调查下发现机器学习黑盒的有意义分布

    本文介绍了使用全面的语料库选择有意义的分布来解决神经网络模型数据域不明的问题，通过考虑选定样本的模型功能属性和语义，使用一个有效的目标函数，以及一个能够有效地搜索所有可能子集的算法。实验表明，该方法可以有效地克隆给定模型，并提高其准确性。

    May, 2023

  • 基于 GAN 的领域推断攻击

    本文提出了一种基于生成对抗网络的方法来推断目标模型的可能或相似域，即模型域推断攻击（Model Domain Inference Attack）。通过生成数据集的距离来排名候选领域，从而帮助攻击者提高模型转化攻击的效果。

    Dec, 2022

  • 更深，更广，更艺术化的领域泛化

    本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

    Oct, 2017

  • 基于模型的领域通用化

    本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在 ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。

    Feb, 2021

  • 域分割网络

    通过将图像表示分为两个子空间：一个是每个领域的私有特征，一个是跨领域共享的特征，我们开发的一种新型架构不仅可以让模型在源领域中执行任务，还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平，还能输出私有和共享表示的可视化结果，从而能够解释领域适应过程。

    Aug, 2016

  • 现实世界域泛化的自适应方法

    本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

    Mar, 2021

  • DREAM: 黑匣子模型逆向工程特征提取

    无需目标模型的训练数据集，通过将问题作为分布外泛化问题，提出了一种通用和原则性的框架，用于逆推未知训练数据的目标黑盒模型属性，并证实了我们提出的方法优于基准方法的卓越性能。

    Jul, 2023

  • 使用多个潜在领域的混合模型进行领域泛化

    该研究使用多种潜在领域混合的方式来提高神经网络的领域泛化能力，通过聚类将样本分为不同的领域，并通过对抗学习训练领域不变特征提取器来发现潜在领域，并利用风格特征进行聚类，达到不需要使用领域标签的领域泛化模型的训练。该方法表现优于传统的领域泛化方法，包括使用领域标签的方法。

    Nov, 2019

  • 弱监督域名检测

    本文提出了域检测作为一项新的自然语言处理任务，介绍了编码器 - 检测器框架结合多实例学习的域检测模型，并应用于不同粒度、语言和体裁的文本中，展示了域检测在文本摘要中的潜力。

    Jul, 2019