本文发表于SIGSAC 2017，距今已有3年左右的时间，文章探究了在当时热门的对抗攻击（白盒、黑盒）情境，并提出了一种基于实际观察的有效的防御方法，比当时最好的防御策略表现都好。 文章较短，内容放到今天仍具有一定的普适性。逐一分析了在当时热门的对抗攻击以及特点和防御方法（有点Threat of Adversarial Attacks on Deep Learning in Computer Vision: A Survey 的那味了）。 原文地址： 随着最近深度神经网络(DNN)的广泛…
本文发表于ICML，并获得了ICML 2018最佳论文奖，文章探究了机器学习中不同标准下对公平性的标准评估，提出并分析了不同标准下的公平性带来的结果。 全文较长，分为主体讨论与定理证明的附页，文章具有一定的文学性，内容紧凑，证明普遍易懂。为防割裂，这里只做主体讨论中的主要内容。 原文地址： 机器学习的公平性主要是在静态分类环境中研究的，而不关心决策如何随时间而改变基础样本。传统观点认为，公平标准促进了它们旨在保护的群体的长期利益。 我们研究了静态公平标准如何与幸福感的时间指…
[1] 3D Steerable CNNs: Learning Rotationally Equivariant Features in Volumetric Data Maurice Weiler, Mario Geiger, Max Welling, Wouter Boomsma, Taco Cohen University of Amsterdam, EPFL, University of Copenhagen, Qualcomm AI Research 这篇文章提出一种新型卷积…
[1] Glow: Generative Flow with Invertible 1×1 Convolutions Diederik P. Kingma, Prafulla Dhariwal OpenAI, Google AI 流式生成模型(Dinh et al. 2014)在概念上具有吸引性，有以下几个原因，它能处理精确的对数似然度，能处理精确的隐变量推理，还可以并行处理训练和合成。 这篇文章提出了Glow，这是一种简单的生成式流式模型，该模型利用可逆的1×1卷积。这种方法在基准数据…
[1] Unsupervised Depth Estimation, 3D Face Rotation and Replacement Joel Ruben Antony Moniz, Christopher Beckham, Simon Rajotte, Sina Honari, Christopher Pal Carnegie Mellon University, Mila-University of Montreal, Polytechnique Montreal, Element AI &nb…
[1] An intriguing failing of convolutional neural networks and the CoordConv solution Rosanne Liu, Joel Lehman, Piero Molino, Felipe Petroski Such, Eric Frank, Alex Sergeev, Jason Yosinski Uber AI Labs, Uber Technologies 在深度学习中，卷积产生了非常巨大的影响。只要是涉及…
[1] Representer Point Selection for Explaining Deep Neural Networks Chih-Kuan Yeh, Joon Sik Kim, Ian E.H. Yen, Pradeep Ravikumar Carnegie Mellon University 这篇文章提出如何解释深度神经网络的预测, 即通过指向训练集中的一组称为代表样本, 用于对给定的测试样本给出预测。 具体而言, 可以将神经网络的激活前的预测分解为训练点…
[1] Group Equivariant Capsule Networks Jan Eric Lenssen, Matthias Fey, Pascal Libuschewski TU Dortmund University 这篇文章提出了组等变胶囊网络，该框架为胶囊网络引入了等效性和不变性。该工作有两个贡献点，首先，在每个组的元素上定义协议算法，提出通用路由，并证明了两种性质，即输出姿态向量的等效性和输出激活的不变性，在某些条件下保持不变。其次，将等变胶囊网络与来自群体卷积网络联系起…
[1] DeepPINK: reproducible feature selection in deep neural networks Yang Young Lu, Yingying Fan, Jinchi Lv, William Stafford Noble University of Washington, University of Southern California 深度学习由于出色的实证表现，在有监督和无监督机器学习中越来越受欢迎。 但是，大多数深度学习方法由于内在的复杂…
[1] RenderNet: A deep convolutional network for differentiable rendering from 3D shapes Thu Nguyen-Phuoc, Chuan Li, Stephen Balaban, Yong-Liang Yang University of Bath, Lambda Labs 传统的计算机图形渲染管道能够将3D形状程序性地生成2D图像，同时具有高性能。由于离散操作（例如可见性计算）会导致不可区分性，这种现…
