后门攻击SIBA的源代码
使用去噪自编码器ND-VAE对输入图像进行重构，降低对抗扰动带来的影响，提升模型在对抗样本上的识别精度
随机平滑引入了一种新颖的方法来创建一个“平滑”的分类器，通过对原始神经网络进行噪声注入数据增强，以提高模型在受到小扰动时的稳定性。
对抗样本检测方法SPAD的源代码
对抗样本检测方法LiBRe的源代码，LiBRe是一种轻量级贝叶斯对抗检测方法，通过将预训练DNN的最后几层转换为贝叶斯子模块（FADE变分），并利用预训练参数初始化进行微调，实现对多种对抗攻击的检测。该方法结合不确定性校正策略，无需对抗样本训练，在保持模型性能的同时高效检测对抗样本。
Contributions last year: 0
Max continuous contributions: 0
Recent contributions: 0
Commits, issues, and pull requests will appear on your contribution graph. Only when the email address used for the commits in local configuration is associated with your GitOSC account, the commits' contribution will be counted.
