对抗环境中对毒化攻击的鲁棒学习算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 传统毒化攻击的防御方法 | 第10页 |
| 1.2.2 迁移学习国内外文献综述 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 相关技术背景介绍 | 第13-32页 |
| 2.1 对抗学习 | 第13-19页 |
| 2.1.1 对抗学习综述 | 第13-15页 |
| 2.1.2 毒化攻击 | 第15-17页 |
| 2.1.3 对抗学习的防守策略 | 第17-19页 |
| 2.2 迁移学习 | 第19-23页 |
| 2.2.1 迁移学习的概念和分类 | 第19-23页 |
| 2.3 TrAdaBoost | 第23-27页 |
| 2.4 支持向量机SVM | 第27-31页 |
| 2.4.1 支持向量机原理 | 第28-29页 |
| 2.4.2 线性支持向量机 | 第29-30页 |
| 2.4.3 非线性支持向量机 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于迁移学习的毒化攻击防御方法 | 第32-43页 |
| 3.1 基本概述 | 第32-33页 |
| 3.2 基于迁移学习的毒化攻击防御方法 | 第33-41页 |
| 3.2.1 基本框架 | 第33-34页 |
| 3.2.2 实验结果与分析 | 第34-41页 |
| 3.3 本章小结 | 第41-43页 |
| 第四章 对抗环境中对毒化攻击的鲁棒学习算法 | 第43-52页 |
| 4.1 基本概述 | 第43页 |
| 4.2 算法设计详解 | 第43-48页 |
| 4.2.1 多角度学习目标法 | 第43-44页 |
| 4.2.2 最终迭代决策法 | 第44-45页 |
| 4.2.3 最终平衡权重法 | 第45-47页 |
| 4.2.4 结合算法 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附件 | 第61页 |
