{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,6,24]]，“日期时间”：“2024-06-24T09:20:47Z”，“时间戳”：1719220847902}，“出版商位置”：“查姆”，“参考计数”：40，“出版者”：“斯普林格国际出版公司”，“isbn-type”：[{“值”：“9783030012335”，“类型”：”打印“}，{“值”：“9783030012342”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2018,1,1]]，“date-time”：“2018-01-01T00:00:00Z”，“timestamp”：1514764800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com\/tdm”}01T00:00:00Z“，”timestamp“：1514764800000}，”content-version“：”vor“，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com//tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2018]]}，”DOI“：”10.1007\/978-3-030-01234-2_23“，”type“：”book-chapter“，”created“：{”date-part“：[[2018,10,5]]，“日期时间”：“2018-10-05T16:13:11Z”，“时间戳”：1538755991000}，“页面”：“381-397”，“更新策略”：“http://\/dx.doi.org \/10.1007\/springer_crossmark_policy”，“源”：“Crossref”、“is-referenced-by-count”：133，“标题”：[“通过随机自集成实现鲁棒神经网络”]，“前缀”：“10.1007”，”作者：[{“given”：“Xuanqing”，“family”：“Liu”，“sequence”：“first”，“affiliance”：[]}{“给定”：“民浩”，“家族”：“成”，“序列”：“附加”，“从属”：[]}，{“给定”：“欢”，“家庭”：“张”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“曹咀”，”家族“：”谢“，”序列“：”附加“，”从属“：[]]]，“成员”：“297”，“在线发布”：{“日期段”：[2018,10,6]}、“引用”：[{“key”：“23_CR1”，“非结构化”：“Athalye，A.，Carlini，N.：关于CVPR 2018白盒对抗性示例防御的稳健性。arXiv预印本arXiv:1804.03286（2018）”}，{“key”：“23_CR2”，“unstructured”：“Athalye，A.，Carlini，N.，Wagner，D.：模糊梯度给人一种虚假的安全感：回避对抗性示例的防御。在：第35届国际机器学习会议（ICML）（2018）”}中，{“key”：“23_CR3”，“unstructured”：“Buckman，J.，Roy，A.，Raffel，C.，Goodfellow，I.：温度计编码：抵制对抗性示例的一种热门方法。摘自：国际学习代表大会（2018）。https:\/\/openreview.net\/forum？id=S18Su-CW”}，{“key”：“23_CR4”，“doi-asserted-by”：“publisher”，“unstructured”：“Carlini，N.，Wagner，D.：对手示例不容易检测：绕过十种检测方法。摘自：《第十届ACM人工智能与安全研讨会论文集》，AISec 2017，第3\u201314页。ACM，纽约（2017）。https:\/\/doi.org\/10.1145\/3128572.3140444，http://\/doi.acm.org\/10.145\/318857.3140444“，”doi“：”10.1145\/3128752.3140445“}，{“key”：“23_CR5”，“doi-asserted-by”：“crossref”，“unstructured”：“Carlini，N.，Wagner，D.：评估神经网络的鲁棒性。摘自：2017 IEEE安全与隐私研讨会（SP），第39\u201357页。IEEE（2017）“，”DOI“：”10.1109\/SP.2017.49“}，{“key”：“23_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，P.Y.，Sharma，Y.，Zhang，H.，Yi，J.，Hsieh，C.J.：EAD:通过对抗性示例对深层神经网络进行弹性网络攻击。摘自：第三十二届AAAI人工智能会议（2018）论文集”，“DOI”：“10.1609 \/aaai.v32i1.11302“}，{“key”：“23_CR7”，“unstructured”：“Dean，J.，et al.：大规模分布式深层网络。In:Advances In Neural Information Processing Systems，pp.1223\u20131231（2012）”}，“{”key“：”23_CR8“，”unstructure“：”Dhillon，G.S.等人：强健对抗性防御的随机激活剪枝。参加：学习代表国际会议（2018年）。https:\/\/openreview.net\/forum？id=H1uR4GZRZ“}，{“key”：“23_CR9”，“doi-asserted-by”：“crossref”，“unstructured”：“Eykholt，K.，et al.：对深度学习视觉分类的稳健物理世界攻击。摘自：IEEE计算机视觉和模式识别会议论文集，第1625\u20131634页（2018）”，“doi”：“10.1109\/CVPR.2018.00175”}，}，“key“：”23_CR10“，”非结构化“：”Feinman，R.、Curtin，R.R.、Shintre，S.、Gardner，A.B.：从人工制品中检测敌对样本。arXiv预印本arXiv:1703.00410（2017）“}，{“key”：“23_CR11”，“unstructured”：“Goodfellow，I.，Shlens，J.，Szegedy，C.：解释和利用对抗性示例。收录于：国际学习代表大会（2015）。http://\/arXiv.org\/abs\/1412.6572”Grosse，K.，Manoharan，P.，Papernot，N.，Backes，M.，McDaniel，P.：关于对抗性示例的（统计）检测。arXiv预印本arXiv:1702.06280（2017）“}，{“key”：“23_CR13”，“unstructured”：“Guo，C.，Rana，M.，Cisse，M.和van der Maaten，L.：使用输入转换对抗对手图像。In：学习表征国际会议（2018）。https:\/\/openreview.net\/forum？id=SyJ7ClWCb”}，}“keys”：“23 _CR14”，“doi-asserted-by”：“crossref”，“非结构化”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：用于图像识别的深度残差学习。摘自：IEEE计算机视觉和模式识别会议记录，第770\u2013778页（2016）“，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“23_CR15”，“unstructured”：“Hein，M.，Andriushchenko，M.：分类器对对抗性操作鲁棒性的形式保证。在：《神经信息处理系统进展30：2017年神经信息处理系统年会》，4\u20139 2017年12月，美国加利福尼亚州长滩，第2263\u20132273页（2017）“｝，｛”键“：”23_CR16“，”非结构化“：”Huang，R.，Xu，B.，Schuurmans，D.，Szepesv\u00e1ri，C.：与强大的对手一起学习。arXiv预印本arXiv:1511.03034（2015）“}，{“key”：“23_CR17”，“unstructured”：“Kurakin，A.，Goodfellow，I.，Bengio，S.：大规模对抗性机器学习。In:学习表征国际会议（ICLR）（2017）”}Lecuyer，M.，Atlidakis，V.，Geambasu，R.，Hsu，D.，Jana，S.：对具有差异隐私的对手示例的认证稳健性。ArXiv e-prints，2018年2月”，“DOI”：“10.1109\/SP.2019.00044”}，{“key”：“23_CR19”，“unstructured”：“Ma，X.，et al.：使用局部内在维度表征对手子空间。In:学习表征国际会议（2018）。https:\/\/openreview.net\/forum？id=B1gJ1L2aW”}、{“key”：”23_CR20“unstrustured”Madry，A.、Makelov，A.、Schmidt，L.、Tsipras，D.、Vladu，A.：面向对抗性攻击的深度学习模型。在：第6届国际学习表征大会（ICLR）（2018）“}，{“key”：“23_CR21”，“doi断言”：“publisher”，“nonstructured”：“Meng，D.，Chen，H.：MagNet:对抗性示例的双管齐下的防御。在：2017年ACM SIGSAC计算机与通信安全会议记录，CCS 2017，pp.135\u2013147。ACM，纽约（2017）。https:\/\/doi.org\/10.1145\/3133956.3134057，http://\/doi.acm.org\/10.1145\/313956.3134057，“doi”：“10.1145\/3133856.3134077”}，{“key”：“23_CR22”，“unstructured”：“Noh，H.，You，T.，Mun，J.，Han，B.：通过噪声规范深层神经网络：其解释和优化。In:Advances In Neural Information Processing Systems，pp.5115\u20135124（2017）“}，{“key”：“23_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Papernot，N.，McDaniel，P.，Goodfellow，I.，Jha，S.，Celik，Z.B.，Swami，A.：使用对抗性示例对深度学习系统进行实际黑盒攻击。arXiv预印本arXiv:1602.02697（2016）”，“DOI“：”10.1145\/3052973.3053009“}，{“key”：“23_CR24”，“DOI-asserted-by”：“crossref”，“unstructured”：“Papernot，N.，McDaniel，P.，Wu，X.，Jha，S.，Swami，A.：蒸馏作为对抗深层神经网络对抗性扰动的防御手段。摘自：2016 IEEE安全与隐私研讨会（SP），第582\u2013597页。IEEE（2016）“，“DOI”：“10.1109\/SP.2016.41”}，{“key”：“23_CR25”，“unstructured”：“Samangouei，P.，Kabkab，M.，Chellappa，R.：Defense-GAN:使用生成模型保护分类器免受对手攻击。In:国际学习代表大会（2018）。https:\/\/openreview.net\/forum？id=BkJ3ibb0-”}非结构化”：“Simonyan，K.，Zisserman，A.：用于大规模图像识别的非常深卷积网络。In:International Conference on Learning Representation（2015）“}，{“key”：“23_CR27”，“unstructured”：“Song，Y.，Kim，T.，Nowozin，S.，Ermon，S.和Kushman，N.：PixelDefend:利用生成模型理解和防御对抗性示例。In:Internation Conferences on Learnning Representations（2018）。https:\/\/openreview.net\/forum？id=rJUYGxbCW“}，{“key”：“23_CR28”，“unstructured”：“Steinhardt，J.，Koh，P.W.W.，Liang，P.S.：数据中毒攻击的认证防御。摘自：《神经信息处理系统进展》，第3520\u20133532页（2017）”}，}Strauss，T.、Hanselmann，M.、Junginger，A.、Ulmer，H.：针对深层神经网络对抗对抗性扰动的集成方法。arXiv:1709.03423（2017）“}，{“key”：“23_CR30”，“doi-asserted-by”：“crossref”，“unstructured”：“Szegedy，C.，et al.：深入卷积。摘自：IEEE计算机视觉与模式识别会议论文集，pp.1\u20139（2015）”，“doi”：“10.1109\/CVPR.2015.7298594”}，}“key:”23_CR31“非结构化”：“Szegedy，C.等人：神经网络的有趣特性。In:国际学习表征会议（2014）“}，{“key”：“23_CR32”，“unstructured”：“Tram\u00e9r，F.，Kurakin，A.，Papernot，N.，Boneh，D.，McDaniel，P.：合奏对抗训练：攻击和防御。arXiv预印本arXiv:1705.07204（2017）”}，}Weng，T.W.等人：评估神经网络的鲁棒性：极值理论方法。在：第六届国际学习表征会议（2018）“}，{“key”：“23_CR34”，“doi-asserted-by”：“crossref”，“unstructured”：“Xiao，C.，Li，B.，Zhu，J.Y.，He，W.，Liu，M.，Song，D.：使用对抗性网络生成对抗性示例。摘自：《第二十七届国际人工智能联合会议论文集》，IJCAI-2018，第3905\u20133911页。国际人工智能组织联合会议，2018年7月。https:\/\/doi.org\/10.24963\/ijcai.2018\/543“，”doi“：”10.24963\/ijcai.2018“}，{“key”：“23_CR35”，“unstructured”：“Xiao，C.，Zhu，J.Y.，Li，B.，He，W.，Liu，M.，SongXie，C.、Wang，J.、Zhang，Z.、Ren，Z.和Yuille，A.：通过随机化缓解对抗效应。参加：学习代表国际会议（2018年）。https:\/\/openreview.net\/forum？id=Sk9yuql0Z“}，{“key”：“23_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Xie，S.，Girshick，R.，Doll\u00e1r，P.，Tu，Z.，He，K.：深度神经网络的聚合残差变换。摘自：2017 IEEE计算机视觉与模式识别会议（CVPR），第5987\u20135995页。IEEE（2017）“，“DOI”：“10.1109\/CVPR.2017.634”}，{“key”：“23_CR38”，“unstructured”：“Xu，K.，et al.：展示、出席和讲述：视觉关注下的神经图像字幕生成。In：国际机器学习会议，pp.2048\u20132057（2015）”}Xu，W.，Evans，D.，Qi，Y.：特征压缩：检测深层神经网络中的对手示例。收录于：网络与分布式系统安全研讨会（2018年）“，”DOI“：”10.14722\/ndss.2018.23198“}，{”key“：”23_CR40“，”DOI-asserted-by“：”crossref“，”unstructured“：”Zanteeschi，V.，Nicolae，M.I.，Rawat，A.：对抗对手攻击的有效防御。收录于《第十届ACM人工智能与安全研讨会论文集》，第39\u201349页。ACM（2017）“，”DOI“：”10.1145\/3128572.3140449“}]，”container-title“：[”Computer Vision\u2013 ECCV 2018“，”计算机科学讲义“]，”original-title”：[]，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-30-01234-2_23“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”]，“存放“：{“date-parts”：[[2022,10,5]]，“date-time”：“2022-10-05T00:24:22Z”，“timestamp”：1664929462000}，“score”：1，“resource”：{（主要）：{”URL“：”https:\/\/link.springer.com\/10.1007\/978-3030-01234-23“}，”副标题：[]，“shorttitle”：[]，“issued”：{“date-ports”：[2018]]}，《ISBN》：[“97830”30012335“，”9783030012342“]，”references-count“：40，”URL“：”http:\/\/dx.doi.org/10.1007\/978-3-030-01234-2_23“，“关系”：｛｝，“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN type”：[｛“value”：“0302-9743”，“type”：“print”｝，｛“value”：“1611-3349”，“type”：“electronic”｝]，“subject”：[]，“published”：｛“date parts”：[[2018]]｝，“assertion”：[｛“value”：“2018年10月6日”，“order”“：1，”name“：”first_online“，”label“：”first online“，”group“：｛”name“：”ChapterHistory“，”label“：”Chapter History”}}，{“value”：“ECCV”，“order”：1，“name”：“conference_acrombit”，“label”：“conference缩写”，“group”：{“name”:“ConferenceInfo”，”lable“：”ConferenceInformation“}，”value“：”European conference-on-Computer Vision“，”order“：2，”name“:”conference_name“，”标签“：”会议名称“，”group“：{”name“：label“：”Conference Information“}}，{“value”：“Munich”，“order”：3，“name”：“Conference_city”，“label”：“ConferenceCity”，“group”：{“name”:“ConferenceInfo”，“table”：“会议信息”}}2018“，”order“：5，”name“：”conference_year“，”label“：”会议年份“，”group“：name”：“conference_end_date”，“label”：“会议结束日期”，“group”：｛“name”：“ConferenceInfo”，“label”：“会议信息”｝｝，｛“value”：“15”，“order”：9，“name”：“conference_number”，“label”：“会议号”，“group”：｛“name”：“ConferenceInfo”，“label”：“会议信息”｝，｛“value”：“eccv2018”，“order”：10，“name”：“conference_id”，“label”：“会议ID“，”组“：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“https:\/\/eccv2018.org\/”，“order”：11，“name”:“Conference_url”，“标签”：“大会url”，“group”：{”name“：”ConferenceInformo“，”label“：”会议信息“}，”value“：”此内容对所有人都可用。“，”name“:”free“，”标签“：”free to read“}]}}