- 综合排序
- 最热优先
- 最新优先
- 来自专栏朴素人工智能
Meta Learning 3: 少样本文本分类 InductionNet
总结 InductionNet介绍了一种根据知识库中的支持样本作为参考，将新的样本进行分类的做法。其中最重要的部分，就是利用动态路由的方法「归纳」各个支持样本的表征，得到类别的数值表征。
1.2K10发布于 2021-03-15 - 来自专栏MyBlog
利用误分类样本来防御对抗样本
作者首先讲正确分类的样本集合记做 ? ，误分类的样本集合记做 ? 。统一使用对抗训练进行防御，分别只对 ? 和 ? 进行扰动，以及两者均进行扰动，比较这三者的对抗鲁棒性。 这里的扰动，指的就是生成对应的对抗样本加入到训练集合中 对抗鲁棒性指的是，在对抗样本作为输入时，模型的精度 ? 首先作者改变了扰动的方法，将PGD切换成FGSM，分别单独作用于两个样本集合中，从最终的结果上看，仍然是对误分类样本扰动对鲁棒性的提升比较明显，如下图所示： ? (反之，如果模型对于对抗样本和正常样本的输出分布类似，鲁棒性越高？) 然后我们看蓝色虚线（BCE[以扰动样本作为输入]+KL散度）和绿色线（BCE[以普通样本作为输入]+KL散度），说明基础的精度那一项的输入还是扰动样本要优。 KL项的系数 ?
94110发布于 2021-03-16 - 来自专栏DeepHub IMBA
零样本和少样本学习
K-Way N-Shot支持集：支持集具有K类，每个类都有N样本。N-Shot意味着为每个类提供的样本数。如果每个另类都有更多样本，模型可以学习的更好。 ，这意味着在支持集中学习W和b: 样例 考虑 3-way 2-shot的支持集。在每个图像上应用神经网络F以进行特征提取。由于每个类都有两个图像，因此每个类都有两个特征向量。 由于我们有3类别，我们将有3个平均的向量。现在我们把它们标准化。每个向量是每个类的表示。对于预测，我们输入一个查询图像。得到查询图像的特征向量。 我们再将其标准化，然后将这个向量与3个均值向量进行比较。 3、深度网络能够进行零样本学习 将许多经典的和最新的迁移学习算法作为特殊情况目前还无法验证否有好处 目前零样本学习的进展和应用 1、将其用于音频识别|无人机视觉类向量=>上下文向量，通过上下文向量对任何新的上下文进行泛化例如在无人机视觉中
1.4K20编辑于 2022-11-11 - 来自专栏生信喵实验柴
临床样本检测
目前识别细菌感染的主要方法是细菌培养，通常需要 2~3 天时间，且敏感性较差。患者在此期间通常接受广谱抗生素治疗，从而可能加剧抗生素抗药性的问题。 据悉，为了能够准确、快速地识别细菌病原体，研究团队开发了一种能够从临床样本中去除多达 99.99％的宿主核酸的流程，并在便携式 MinION 测序仪上开展了实时的检测和分析。 作者开发了一种用于细菌 LRI 诊断的宏基因组学方法，基于皂苷有效去除 99.99%的宿主DNA 并结合纳米孔测序； 3. 二、下载数据 https://www.ebi.ac.uk/ena/browser/view/PRJEB30781 三、病原微生物鉴定 3.1单个样本 过滤宿主序列 #数据路径 #/data "1 $PWD/${i} ${i%.*.gz}.result ${i%.*.gz}.report";done; #保存结果到temp.list中 awk '{print $1"\t"$2"\t\t"$3"
87120编辑于 2023-02-24 - 来自专栏前行的CVer
图神经网络3-应用:零样本动作识别
AAAI 2019 用GCN做视频的零样本动作识别 论文：I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph 任务介绍 零样本动作识别，提供一些已知类和已知类上的训练样本，要把从已知类学习到的知识迁移到未知类。 通过3层GCN（2048-1024-512），最终输出一个矩阵：d\times O，通过该实例分支，对于每一个视频，我们都能得到其对应的鲁棒的attribute-feature。 网络训练，对于所有已知类的样本，采用交叉熵损失。 ，$y_n^i$是ground-truth label，是个二值（0/1），表示 第n个 video样本是否属于第i 个已知类。
1.3K10发布于 2021-03-04 - 来自专栏安恒网络空间安全讲武堂
一种 Au3 远控木马变种样本分析
一种 Au3 远控木马变种样本分析 0x01 Au3 简介 AutoIt3 （简称 Au3）是一种能够在Windows GUI 或 DOS 上实现一系列自动化任务的脚本语言，其语法类似BASIC。 提取出可执行程序样本后，发现该样本为 RAR 自解压程序： ? 使用 RAR 打开后，发现攻击者在解压配置中加入了某国语言的热门小说内容来逃避杀软检测： ? 上传到云端后发现仅有2款杀软能够检测出 main.au3 为恶意文件： ? 由于样本源码不打算公开，此处仅摘取脚本中的一些函数做介绍。 3.4 远控行为 得到 inject.dll 后，发现该模块为 C# 源码编写，用 dnSpy 载入分析发现，木马运行时，首先建立与远控服务器的心跳包连接，将受害者主机的基本信息回传到木马服务器。 在心跳包监听中，如果收到服务器的指令，则按照指令执行相应的代码。
3K70发布于 2018-02-06 - 来自专栏贾志刚-OpenCV学堂
AD-DINOv3 | 异常感知校验的零样本检测
提出了AD-DINOv3，这是首个将DINOv3适配于零样本异常检测的框架，填补了自监督视觉编码器与异常检测任务之间的空白。 引入了一种带有轻量级适配器的跨模态对比学习策略，以充分利用DINOv3的层次化表征进行零样本异常检测。 在八个工业与医疗基准数据集上超越或媲美现有最先进方法，证明了其作为通用零样本异常检测框架的有效性。 架构与方法 我们采用DINOv3作为AD-DINOv3的视觉主干网络。 实现细节 在我们的实验中，默认采用Meta AI发布的ViT-L/16架构预训练DINOv3作为图像编码器，同时使用预训练CLIP（OpenAI）的文本编码器生成文本嵌入。 DINOv3主干网络包含24个Transformer层，我们将其划分为四个阶段，分别从第6、12、18和24层提取图像块嵌入。
28110编辑于 2026-04-02 - 来自专栏python3
配置DHCP服务 (3)
呵呵，上个章节中，我给大家讲解了DHCP服务器的一些基本概念和DHCP服务器的安装，但是我也说过，刚安装好的DHCP服务器是不可用的。 DHCP服务器的授权： 授权DHCP服务器是一种安全的防御措施，它可以确保“只有经过授权的DHCP服务器才能在网络中运行： 1. 如上图所示一样，服务器的名称为“dcl.benet.com.cn”，在这个例子中我们的DHCP服务器安装在DC上的，在左边，我们可以看到一个“向下的红色的箭头”这就是表示DHCP服务器还没有正常的开始工作 接下来就出现了“管理授权服务器”的对话框，见下图： ? 单击上图中的“授权”按钮，输入授权服务器的IP地址，见下图： ? 确认授权的对话框中将出现的IP地址和服务器名称，单击确定，见下图： ? 选中要授权的服务器，单击“确定”按钮，见下图： ? 出现表示主机已经添加到服务器列表的对话框，单击“确定”按钮，这样，我们就成功的授权了DHCP服务器了。见下图 ?
1.6K10发布于 2020-01-14 - 来自专栏python3
DNS服务搭建（3）
★配置DNS转发 我之前配置的DNS服务只能解析我定义过的zone，而没有定义的zone是不能解析的，因此存在着很大的弊端。 但是配置了DNS转发之后，就可以顺利解析互联网上了其他域名了，当然，解析此域名的前提是这个域名在互联网中确实存在并且正在使用，也就是说这个域名已经被某个DNS服务器解析了。 8.8.8.8这个DNS服务器上去解析。 我们测试一下 重启named服务 在此解析www.qq.com [root@yue named]# dig @127.0.0.1 www.qq.com ; <<>> DiG 9.8.2rc1-RedHat 在从上生成rndc.key: rndc-confgen -r /dev/urandom -a 更改key的属组： chown named:named /etc/rndc.key 在从上启动named服务
1.7K30发布于 2020-01-15 - 来自专栏python3
3：elasticsearch服务编写
import java.util.List; import java.util.Map; public interface IIndexService<T> { /** * 插入数据 * @param t * @return */ public boolean insertOne(T t); /** * 批量插入数据 * @param lists * @return */ publ
66540发布于 2020-01-13 - 来自专栏Owen's World
服务器3
name 'server-dev.343.cn' 复制代码 一直以为是证书问题，发现nginx的配置 server_name配错了... butu18.04系统BUG引起的负载过高问题 问题描述： 此前测试服务器负载偏高 当日CPU频繁达到100%，负载几十，造成服务器瘫痪。 问题原因： 自查未找到原因。做如下尝试: 1.关闭服务器上的自建服务，负载未恢复正常。 3.阿里云调整了该实例的物理存储，负载未恢复正常。 4.将该实例打包成镜像重新创建实例，负载正常。 5.将该实例重装系统，选择ubutu16版本，负载正常。 options for Ubuntu>Ubuntu, with Linux 4.15.0-55-generic" 2.grep menuentry /boot/grub/grub.cfg 查看启动顺序 3.
64620编辑于 2021-12-07 - 来自专栏python3
Python练手，样本
lvl[i] = 4 continue if lvl[i] ==0 and (i+1) % 13 == 0 : lvl[i] = 3 continue if lvl[i] ==0 and (i+1) % 3 == 0 : lvl[i] = 2 continue if age[i] < 40 : edu[i] = 4 #年轻高级是博士 else: edu[i] = 3 + i % 7 * 300 ) \ * ( 1 + yrs[i] / 100 ) \ ,3)
62430发布于 2020-01-13 - 来自专栏SimpleAI
好样本，事半功倍：使用样本设计工程 (SDE) 来构造更好的大模型下游微调样本
作为餐厅的一方，或者提供情感分析的服务商，我们希望对大量类似的评论进行多方面情感分析，会有一批我们预先定义的、比较关心的方面，例如食品评价、饮料评价、卫生条件、价格水平、服务态度、停车方便程度等等。 实验设置 任务和数据： 我们使用MASA作为实验场景，由合作公司提供真实业务场景中的数据（中文）和标注，包含了两个领域的方面情感标注： D1: 食品、饮料、价格、卫生、服务态度、停车情况 D2: 交通便利程度 模型： 我们为了探究样本设计是否在不同LLMs上存在差异/一致性，我们采用了3个系列的 6 种被广泛使用的开源模型： Chinese-LLaMA2：使用了 7B 大小的 chat 和 base 两个版本 unsetunset3. 一个稳定优异的样本设计方案unsetunset 通过前面的大量实验，我们发现了一系列在多种LLMs上通用的规律。 基于此，我们提出了一种鲁棒的样本设计方案，在3个复杂下游任务上均取得了优异且稳定的性能，大幅超越经验主义的样本设计。
1K21编辑于 2024-04-26 - 来自专栏机器之心
全新instruction调优，零样本性能超越小样本，谷歌1370亿参数新模型比GPT-3更强
技术，结果显示，采用指令调整技术后的模型在自然语言推理、阅读理解和开放域问答等未见过的任务上的零样本性能超越了 GPT-3 的小样本性能。 例如，GPT-3 在执行阅读理解、问答和自然语言推理等任务时，零样本的性能要比小样本（few-shot）性能差很多。 ）上也显著优于 GPT-3 小样本。 在 Natural Questions 数据集上，FLAN 优于零样本 GPT-3，弱于小样本 GPT-3。 测试结果如下表 4 所示，Base LM 的零样本翻译性能弱，但小样本翻译结果媲美 GPT-3。FLAN 在六个评估指标中的五个上优于小样本 Base LM。
49310编辑于 2023-03-29 - 来自专栏CV学习史
小样本学习介绍
形式化来说，few-shot 的训练集中包含了很多的类别，每个类别中有多个样本。 （batch）样本作为模型的预测对象（batch set）。 如果K值很小（通常K<10），我们称这种分类任务为极少样本分类任务（当K=1时，变成单样本分类任务）。 为了清楚起见，让我们详细说明度量学习算法是如何解决少样本分类任务的（以下定义为带标签样本的支持集，以及我们要分类的查询图像集）： 我们从支持集和查询集的所有图像中提取特征（通常使用卷积神经网络）。 在元训练期间，MAML学习初始化参数，这些参数允许模型快速有效地适应新的少样本任务，其中这个任务有着新的、未知的类别。 MAML目前在流行的少样本图像分类基准测试中的效果不如度量学习算法。
2.2K21发布于 2019-09-05 - 来自专栏Khan安全团队
Dangerouspassword ( Lazarus ) APT样本
ITW:a2c72d880a85e188a3c87462d52bc8ce upload:SG 文件名： Digital Asset Management Job Opportunities[.]zip
60420编辑于 2022-04-02 - 来自专栏学习与分享
【Prometheus】Prometheus的样本
在 Prometheus 中，"样本"（Sample）是指时间序列数据的一个基本单位，包含了某个特定时刻的一个度量值。一个样本由以下几部分组成： 1. 3. 标签（Labels） Prometheus 允许你为每个样本添加一组键值对标签，用于进一步细分和过滤数据。标签可以帮助你区分相同名称的不同度量，通常用于区分不同的实例、应用程序、环境、区域等。 示例：Prometheus 样本的结构 假设我们有一个 HTTP 请求的计数器指标 http_requests_total，用于表示服务接收到的 HTTP 请求总数。 示例：不同类型的样本 1. 3.
79110编辑于 2024-12-18 样本服务价格大比拼！腾讯云问卷凭何成为性价比之王？
摘要： 本文聚焦企业调研核心痛点——样本服务成本，通过深度对比腾讯云问卷、问卷星、问卷网等主流平台的价格体系与增值服务，揭秘腾讯云问卷如何以「免费+增值」模式实现降本增效。 正文 数字化转型浪潮下，83%的企业年均调研预算不足10万元（艾瑞咨询2025），如何在有限预算内获取高质量样本？ 本文将从价格透明度、功能适配性、增值服务三大维度，拆解腾讯云问卷等主流平台的真实成本，助您避开选型陷阱。 超300万实名样本库 AI智能清洗模型 第三方样本采购 信用标签缺失 自建样本池 覆盖垂直领域 协作效率 企业级权限管理 多级文件夹管控 基础多人编辑 无架构分级 部分平台宣称「免费样本」，实则需绑定高额推广套餐 腾讯云问卷依托微信生态精准推送，规避无效流量成本 数据安全风险 免费版工具普遍缺乏AES-256加密（仅腾讯云问卷通过等保三级认证）
85210编辑于 2026-01-04- 来自专栏Bypass
Webshell 高级样本收集
收集样本，那可是一件很有趣的精细活。从样本里，你可能会发现很多技巧，并进入另一个视角来领略攻击者的手法。 当在安全社区里看到一些比较高级的Webshell样本，就如同发现宝藏一般欣喜，我会把它保存起来，慢慢地收集了大量的Webshell样本。 什么情况下需要海量的Webshell样本呢？ ---- 1、JSP高级对抗样本 这个一个可能会改变你对JSP Webshell认知的项目，提供了18个JSP高级样本具有很高的研究价值。 Github项目地址： https://github.com/threedr3am/JSP-Webshells 2、Webshell-Bypass 提供一些Webshell免杀的脚本和绕过思路。 https://github.com/DeEpinGh0st/PHP-bypass-collection https://github.com/lcatro/PHP-WebShell-Bypass-WAF 3、
1.3K10发布于 2020-08-02 - 来自专栏红队蓝军
lokibot样本分析
temp文件夹下创建vxogkynyop文件图片向文件中写入加密的代码图片此加密代码解密后是一段shellcode 用于解密核心PE文件的还会再temp文件夹下创建wdxw2bfd6vcc5n文件 此文件为样本的核心代码 解密后的数据是PE文件 解密算法就在vxogkynyop文件中图片在临时文件夹下创建frhdgr.exe文件 向文件中写入PE文件创建进程 进程参数就是vxogkynyop文件图片提取样本图片第二层代码 字段 Mozilla/4.08 (Charon; Inferno)图片返回完整的post请求数据包图片通过以下的域名和端口返回了 addrinfo结构的链表图片EDI为addrinfo结构图片连接的服务器就是通过 这里可以猜测病毒想加入到注册表自启动列表中 但是由于出现了什么问题 导致注册表路径发生错误 导致加入失败图片设置文件的属性为系统文件且隐藏函数sub_412D31开始有获取用户信息的操作 然后会发送给服务器 = []: for conf in confs: dec = DES3.new(key[12:], DES3.MODE_CBC, iv)
67120编辑于 2023-09-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号