吴帆0702

学习笔记17

• 跟张罡师兄讨论一下从绿盟得到的数据的情况。师兄的说法是得到的netflow数据比较混乱，而且数据量也比较小，根据数据分析告警信息难度比较大。而且分析之后的结果存在无法验证的问题。不过具体的全部数据师兄还没有整理好，整理好了之后发给我，我再具体分析一下。
• 张老师发了一篇关于A challenge to explore adversarial robustness of neural networks on MNIST的论文《Towards Deep Learning Models Resistant to Adversarial Attacks》，是一篇解决神经网络adversarial attack的论文，即是对于MNIST数据集上，输入图片与自然样本难以分辨，但是神经网络模型却分类错误的情况。没搜到这个比赛的地址，在kaggle上找到了一个类似的competition，打算先仔细看看原论文和作者的代码，看看作者的思路是怎样的。
• 分析了前两天看的论文--DeLiGAN模型的实现细节。主要包括下面几个方面：
  a. G网络输入噪声随机选择自N个高斯分布，每个高斯分布的均值服从（-1,1）的均匀分布，方差是人为定义一个初始值（比如0.2）;
  b.在选择输入噪声之后，训练过程与标准GAN一样，µ和σ与G的参数一起利用G损失函数的梯度训练；
  c.为了避免训练时的梯度消失问题，在传统G网络损失函数的基础上，增加了L2约束项。