導(dǎo)讀：AI領(lǐng)域的發(fā)展會(huì)是IT中最快的。我們所看到的那些黑科技，其后無(wú)不堆積了大量論文，而且都是最新、最前沿的論文。從某種角度來(lái)講，它們所用的技術(shù)跟書籍里的內(nèi)容確實(shí)不是一個(gè)時(shí)代。要想與時(shí)俱進(jìn)，就必須改變思路——從論文入手。今天給大家介紹45篇讓你跟上AI時(shí)代的論文，讀完后，相信你會(huì)比“全知全能”的特朗普更了解AI一分。

一、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)部分

No1 wide_deep模型論文：

關(guān)于神經(jīng)元、全連接網(wǎng)絡(luò)之類的基礎(chǔ)結(jié)構(gòu)，想必每個(gè)AI學(xué)者都有了解。那么你是否真的了解全連接網(wǎng)絡(luò)中深層與淺層的關(guān)系呢？來(lái)看看wide_deep模型吧。這篇論文會(huì)使你對(duì)全連接有個(gè)更深刻的理解。

關(guān)于該模型的更多介紹可以參考論文：

arxiv.org/pdf/1606.0779

在wide_deep模型中，wide模型和deep模型具有各自不同的分工。

wide模型：一種淺層模型。它通過(guò)大量的單層網(wǎng)絡(luò)節(jié)點(diǎn)，實(shí)現(xiàn)對(duì)訓(xùn)練樣本的高度擬合性。它的缺點(diǎn)是泛化能力很差。

deep模型：一種深層模型。它通過(guò)多層的非線性變化，使模型具有很好的泛化性。它的缺點(diǎn)是擬合度欠缺。

將二者結(jié)合起來(lái)——用聯(lián)合訓(xùn)練方法共享反向傳播的損失值來(lái)進(jìn)行訓(xùn)練—可以使兩個(gè)模型綜合優(yōu)點(diǎn)，得到最好的結(jié)果。

No2 wide_deep模型論文：

為什么Adam被廣泛使用？光會(huì)用可不行，還得把原理看懂。這樣出去噴一噴，才會(huì)顯得更有面子。

Adam的細(xì)節(jié)請(qǐng)參閱論文《Adam: A Method for Stochastic Optimization》，該論文的鏈接網(wǎng)址是：

arxiv.org/pdf/1412.6980

No3 Targeted Dropout模型論文：

你還再用普通的Dropout嗎？我已經(jīng)開始用Targeted Dropout了，比你的又快，又好。你不知道吧，趕緊學(xué)習(xí)一下。

Targeted Dropout不再像原有的Dropout那樣按照設(shè)定的比例隨機(jī)丟棄部分節(jié)點(diǎn)，而是對(duì)現(xiàn)有的神經(jīng)元進(jìn)行排序，按照神經(jīng)元的權(quán)重重要性來(lái)丟棄節(jié)點(diǎn)。這種方式比隨機(jī)丟棄的方式更智能，效果更好。更多理論見以下論文：

openreview.net/pdf?id=HkghWScuoQ

二、圖像分類部分

No4 Xception模型論文：

在那個(gè)圖像分類的時(shí)代，谷歌的Xception系列，像x戰(zhàn)警一樣，一個(gè)一個(gè)的打破記錄。其中的技術(shù)也逐漸成為AI發(fā)展的知識(shí)體系。有必要看一下，或許會(huì)對(duì)自己的工作有所啟發(fā)。

詳細(xì)情況請(qǐng)查看原論文《Xception: Deep Learning with Depthwise Separable Convolutions》，該論文網(wǎng)址是：

arxiv.org/abs/1610.0235

No5 殘差結(jié)構(gòu)論文：

運(yùn)氣好到?jīng)]朋友，現(xiàn)有模型，后完善理論指的就是殘差結(jié)構(gòu)這哥們。它的傳奇導(dǎo)致即使到今天的AI技術(shù)，也無(wú)法將它割舍，就來(lái)常微分方程都得拿它比肩?？靵?lái)學(xué)學(xué)吧，用處大著呢。好多模型都拿它當(dāng)先鋒。

利用殘差結(jié)構(gòu)，可以使得網(wǎng)絡(luò)達(dá)到上百層的深度。詳情請(qǐng)參閱原始論文《Deep ResidualLearning for Image Recognition》，該論文網(wǎng)址是：

arxiv.org/abs/1512.0338

No6 空洞卷積論文：

NasNet的招牌動(dòng)作，雖然不是出于NASNet，但是卻被人家用得如火純青。有時(shí)不得不驚嘆，機(jī)器設(shè)計(jì)出來(lái)的模型還真實(shí)跟人設(shè)計(jì)的不一樣！

想知道空洞卷積的感受野為什么與層數(shù)呈指數(shù)級(jí)關(guān)系嗎？

細(xì)節(jié)請(qǐng)查看原論文《Multi-scale context aggregation by dilated convolutions》，該論文網(wǎng)址是：

arxiv.org/abs/1511.0712

No7 DenseNet論文：

這個(gè)模型使我想到了“一根筋”，再次證明了只有軸的人才能成大事！另類的模型，神奇的效果，快來(lái)體驗(yàn)一下吧。這可是比華佗還牛的神醫(yī)哦！

有關(guān)DenseNet模型的細(xì)節(jié)，請(qǐng)參考原始論文《Densely Connected Convolutional Networks》，該論文的連接是：

arxiv.org/abs/1608.0699

No8 EfficientNet模型論文：

知道目前位置圖像分類界誰(shuí)是老大嗎？來(lái)，看看這個(gè)！

EfficientNet模型的論文地址如下：

arxiv.org/pdf/1905.1194

No9 Grad-CAM模型論文：

如果你能把神經(jīng)元搞得透徹，你也會(huì)想到這個(gè)點(diǎn)子。不想聊太多！一個(gè)字“絕”！這TMD才叫卷積網(wǎng)絡(luò)的可視化！

詳細(xì)情況請(qǐng)參閱論文《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》，該論文的鏈接網(wǎng)址是：

arxiv.org/pdf/1610.0239

No10 分類模型泛化能力論文：

知道為啥都喜歡使用ResNet模型當(dāng)先鋒嗎？運(yùn)氣好就是運(yùn)氣好！好到大家都喜歡用它，還說(shuō)不出為啥它那么好！反正就是好，不信的話看看這篇論文的實(shí)驗(yàn)結(jié)果。

論文中，在選取模型的建議中，多次提到了ResNet模型。原因是，ResNet模型在Imgnet數(shù)據(jù)集上輸出的特征向量所表現(xiàn)的泛化能力是最強(qiáng)的。具體可以參考以下論文：

arxiv.org/pdf/1805.0897

三、批量正則化部分

No11 批量正則化論文：

這個(gè)沒的說(shuō)，必修課，不懂的話，會(huì)被鄙視成渣渣！

論文《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》，該論文網(wǎng)址是：

arxiv.org/abs/1502.0316

No12 實(shí)例歸一化論文：

時(shí)代不同了，批量歸一化也升級(jí)了，趕緊學(xué)學(xué)新的歸一化吧。

在對(duì)抗神經(jīng)網(wǎng)絡(luò)模型、風(fēng)格轉(zhuǎn)換這類生成式任務(wù)中，常用實(shí)例歸一化取代批量歸一化。因?yàn)?，生成式任?wù)的本質(zhì)是——將生成樣本的特征分布與目標(biāo)樣本的特征分布進(jìn)行匹配。生成式任務(wù)中的每個(gè)樣本都有獨(dú)立的風(fēng)格，不應(yīng)該與批次中其他的樣本產(chǎn)生太多聯(lián)系。所以，實(shí)例歸一化適用于解決這種基于個(gè)體的樣本分布問(wèn)題。詳細(xì)說(shuō)明見以下鏈接：

arxiv.org/abs/1607.0802

No13 ReNorm算法論文：

ReNorm算法與BatchNorm算法一樣，注重對(duì)全局?jǐn)?shù)據(jù)的歸一化，即對(duì)輸入數(shù)據(jù)的形狀中的N維度、H維度、W維度做歸一化處理。不同的是，ReNorm算法在BatchNorm算法上做了一些改進(jìn)，使得模型在小批次場(chǎng)景中也有良好的效果。具體論文見以下鏈接：

arxiv.org/pdf/1702.0327

No14 GroupNorm算法論文：

GroupNorm算法是介于LayerNorm算法和InstanceNorm算法之間的算法。它首先將通道分為許多組（group），再對(duì)每一組做歸一化處理。

GroupNorm算法與ReNorm算法的作用類似，都是為了解決BatchNorm算法對(duì)批次大小的依賴。具體論文見下方鏈接：

arxiv.org/abs/1803.0849

No15 SwitchableNorm算法論文：

我們國(guó)人做產(chǎn)品都喜歡這么干！all in one ,好吧。既然那么多批量歸一化的方法。來(lái)，來(lái)，來(lái)，我們來(lái)個(gè)all in one吧。不服來(lái)辯，我這啥都有！

SwitchableNorm算法是將BN算法、LN算法、IN算法結(jié)合起來(lái)使用，并為每個(gè)算法都賦予權(quán)重，讓網(wǎng)絡(luò)自己去學(xué)習(xí)歸一化層應(yīng)該使用什么方法。具體論文見下方鏈接：

arxiv.org/abs/1806.1077

四、注意力部分

No16 大道至簡(jiǎn)的注意力論文：

把AI搞成玄學(xué)也就算了！居然還扯到道家了！谷歌的工程師真實(shí)中外通吃??！搞出來(lái)了一個(gè)只用注意力就能做事的模型，連卷積都不要了！你說(shuō)好玩不好玩！至簡(jiǎn)不至簡(jiǎn)！刺激不刺激！

大名鼎鼎的Attention is All You Need 注意力機(jī)制論文

注意力機(jī)制因2017年谷歌的一篇論文Attention is All You Need而名聲大噪。下面就來(lái)介紹該技術(shù)的具體內(nèi)容。如果想了解更多，還可以參考原論文，具體地址如下：

arxiv.org/abs/1706.0376

No17-18 孿生注意力論文：

好比LSTM與GRU一樣，注意力它們家也除了一對(duì)雙胞胎，長(zhǎng)得略微有點(diǎn)不同。但是功能一樣，都能吃能喝，還能注意。老虎老鼠傻傻的不清楚！

—BahdanauAttention：arxiv.org/abs/1409.0473。

—LuongAttention：arxiv.org/abs/1508.0402。

No19 各自升級(jí)的孿生注意力論文：

話說(shuō)這對(duì)雙胞胎，出生后就分開了。各自學(xué)的不同的語(yǔ)言，一個(gè)學(xué)習(xí)漢語(yǔ)，一個(gè)學(xué)習(xí)中文。若干年后，見面，發(fā)現(xiàn)二者的能力還是一樣！

BahdanauAttention注意力升級(jí)成了normed_BahdanauAttention，而LuongAttention注意力升級(jí)成了scaled_LuongAttention。都一樣的效果，你愛用哪個(gè)用哪個(gè)吧！

例如：

在BahdanauAttention類中有一個(gè)權(quán)重歸一化的版本（normed_BahdanauAttention），它可以加快隨機(jī)梯度下降的收斂速度。在使用時(shí)，將初始化函數(shù)中的參數(shù)normalize設(shè)為True即可。

具體可以參考以下論文：

arxiv.org/pdf/1602.0786

No20 單調(diào)注意力機(jī)制論文：

老公主動(dòng)表忠心，我以后不看別的美女。老婆覺得不夠，再加個(gè)限制：你以后不準(zhǔn)看別的女人！于是單調(diào)注意力就出來(lái)了。

單調(diào)注意力機(jī)制（monotonic attention），是在原有注意力機(jī)制上添加了一個(gè)單調(diào)約束。該單調(diào)約束的內(nèi)容為：

（1）假設(shè)在生成輸出序列過(guò)程中，模型是以從左到右的方式處理輸入序列的。

（2）當(dāng)某個(gè)輸入序列所對(duì)應(yīng)的輸出受到關(guān)注時(shí)，在該輸入序列之前出現(xiàn)的其他輸入將不能在后面的輸出中被關(guān)注。

即已經(jīng)被關(guān)注過(guò)的輸入序列，其前面的序列中不再被關(guān)注。

更多描述可以參考以下論文：

arxiv.org/pdf/1704.0078

No21 混合注意力機(jī)制論文：

這個(gè)注意力很強(qiáng)大，比一般的注意力專注的地方更多，信息更豐富。我已經(jīng)注意你很久了！呵呵呵~~~

因?yàn)榛旌献⒁饬χ泻形恢眯畔?，所以它可以在輸入序列中選擇下一個(gè)編碼的位置。這樣的機(jī)制更適用于輸出序列大于輸入序列的Seq2Seq任務(wù)，例如語(yǔ)音合成任務(wù)。

具體可以參考以下論文：

arxiv.org/pdf/1506.0750

五、高級(jí)的卷積網(wǎng)絡(luò)知識(shí)

No22 膠囊網(wǎng)絡(luò)與動(dòng)態(tài)路由的論文：

這是一股為圖像分類降溫的寒風(fēng)，深刻而又尖銳的點(diǎn)出了卷積網(wǎng)絡(luò)的硬傷！從事最大池化再無(wú)翻身之日。

雖然膠囊網(wǎng)絡(luò)在實(shí)際應(yīng)用中，不像它的理論那么牛，但是對(duì)AI的幫助，卷積的理解是革命性的，非常值得一讀。另外，這也是一篇絕對(duì)讓你對(duì)數(shù)學(xué)徹底絕望的論文?；◣赘最^發(fā)把里面的算法啃下來(lái)吧，這樣你與大神就能更近一步。

膠囊網(wǎng)絡(luò)分為主膠囊與數(shù)字膠囊，主膠囊與數(shù)字膠囊之間的耦合系數(shù)是通過(guò)訓(xùn)練得來(lái)的。在訓(xùn)練過(guò)程中，耦合系數(shù)的更新不是通過(guò)反向梯度傳播實(shí)現(xiàn)的，而是采用動(dòng)態(tài)路由選擇算法完成的。該算法來(lái)自以下論文鏈接：

arxiv.org/pdf/1710.0982

目前膠囊網(wǎng)絡(luò)的研究還處于初級(jí)階段，隨著人們研究的深入，相信這些問(wèn)題會(huì)得到解決。

No23 矩陣膠囊網(wǎng)絡(luò)與EM路由算法：

如果你覺得不過(guò)癮，那么還可以再看一篇。繼續(xù)自虐一下。

帶有EM（期望最大化）路由的矩陣膠囊網(wǎng)絡(luò)是動(dòng)態(tài)路由膠囊網(wǎng)絡(luò)的一個(gè)改進(jìn)版本。論文鏈接如下：

openreview.net/pdf?id=HJWLfGWRb

No24 膠囊網(wǎng)絡(luò)的其它用處：

膠囊網(wǎng)絡(luò)混身是寶，但就是自己不爭(zhēng)氣。這也說(shuō)明還有上升的空間。就拿其中一個(gè)動(dòng)態(tài)路由算法來(lái)講，居然比普通的注意力還好。

看完之后，相信你一定會(huì)手癢！要不要也試試？把你的注意力換一下。值得你嘗試，會(huì)有彩蛋的！

該論文的實(shí)踐也證明，與原有的注意力機(jī)制相比，動(dòng)態(tài)路由算法確實(shí)在精度上有所提升。具體介紹可見以下論文：

arxiv.org/pdf/1806.0150

No25 卷積網(wǎng)絡(luò)新玩法TextCNN模型：

早先小編在一個(gè)項(xiàng)目中，自己用卷積網(wǎng)絡(luò)處理字符數(shù)據(jù)。自己感覺很Happy。沒想到，無(wú)意間居然發(fā)現(xiàn)了一篇同樣這么干的論文。居然還有個(gè)名字，叫TextCNN。哎！可惜??！小編文化少，只會(huì)寫代碼，不會(huì)寫論文。

TextCNN模型是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行分類的算法，由 Yoon Kim 在 Convolutional Neural Networks for Sentence Classification 一文中提出。論文地址：

arxiv.org/pdf/1408.5882

六、圖像內(nèi)容處理部分

No26 FPN模型論文（包含了ROIAlign的匹配算法）：

要是搞計(jì)算機(jī)視覺，還是要建議看一下。非常的基礎(chǔ)。也是圖像分割方面的用得最多得模型。

FPN的原理是：將骨干網(wǎng)絡(luò)最終特征層和中間特征層的多個(gè)尺度的特征以類似金字塔的形式融合在一起。最終的特征可以兼顧兩個(gè)特點(diǎn)——指向收斂目標(biāo)的特征準(zhǔn)確、特征語(yǔ)義信息豐富。更多信息可以參考論文：

ROIAlign層中的匹配算法也來(lái)自于這篇FPN論文，鏈接如下：

arxiv.org/abs/1612.0314

No27 Mask R-CNN模型論文：

效果好，代碼多！硬貨！來(lái)啃吧！

Mask R-CNN模型是一個(gè)簡(jiǎn)單、靈活、通用的對(duì)象實(shí)例分割框架。它能夠有效地檢測(cè)圖像中的對(duì)象，并為每個(gè)實(shí)例生成高質(zhì)量的分割掩碼，還可以通過(guò)增加不同的分支完成不同的任務(wù)。它可以完成目標(biāo)分類、目標(biāo)檢測(cè)、語(yǔ)義分割、實(shí)例分割、人體姿勢(shì)識(shí)別等多種任務(wù)。具體細(xì)節(jié)可以參考以下論文：

arxiv.org/abs/1703.0687

No28 YOLO V3模型論文：

這個(gè)模型的提點(diǎn)就是快！目標(biāo)識(shí)別強(qiáng)烈推薦。

YOLO V3模型的更多信息可以參考以下鏈接中的論文：

https://pjreddie.com/media/files/papers/YOLOv3.pdf

No29 Anchor-Fress模型--FCOS模型論文：

隨著AI技術(shù)的進(jìn)步Anchor-Fress模型死灰復(fù)燃（早先是YOLO V1那一批模型），這次不一樣的是徹底干掉帶Anchor的模型。訓(xùn)練起來(lái)那就一個(gè)爽！媽媽再也不用為我準(zhǔn)備單獨(dú)的Anchor標(biāo)簽了。

與YOLO V1相比， FCOS模型的思想與YOLO V1模型非常相似，唯一不同的是FCOS模型沒有像YOLOv1那樣只考慮中心附近的點(diǎn)，而是利用了ground truth邊框中所有的點(diǎn)來(lái)進(jìn)行預(yù)測(cè)邊框。并且通過(guò) center-ness 分支來(lái)抑制那些效果不行的檢測(cè)邊框。這樣FCOS 就可以改善YOLO V1模型總會(huì)漏掉部分檢測(cè)邊框的缺點(diǎn)。

相關(guān)論文地址：

arxiv.org/abs/1904.0135

No30 Anchor-Fress模型--CornerNet-Lite模型論文：

一樣也是Anchor-Fress模型，與FCOS效果差不多少，具體看一下論文吧。

CornerNet-Lite模型。相關(guān)論文地址：

arxiv.org/pdf/1904.0890

No31 棧式沙漏網(wǎng)絡(luò)模型--Hourglass論文：

最初用戶人的姿態(tài)估計(jì)，在符合模型中也是常被使用的模型。論文地址：

arxiv.org/abs/1603.0693

No32 OCR必修課——STN模型論文：

可以讓模型自動(dòng)仿射變化，你說(shuō)牛不牛！要學(xué)OCR，就得從這個(gè)開始。

有關(guān)STN模型的論文鏈接如下：

arxiv.org/abs/1506.0202

七、循環(huán)神經(jīng)網(wǎng)絡(luò)部分

No33 QRNN模型論文：

在RNN模型的cell里，如果還只知道LSTM和GRU。那就太low了。快來(lái)補(bǔ)補(bǔ)吧：

如果想更多了解QRNN，可以參考以下論文：

arxiv.org/abs/1611.0157

No34 SRU模型論文：

接著來(lái)，各種RNN的Cell。又漂亮，又好吃！

SRU單元在本質(zhì)上與QRNN單元很像。從網(wǎng)絡(luò)構(gòu)建上看，SRU單元有點(diǎn)像QRNN單元中的一個(gè)特例，但是又比QRNN單元多了一個(gè)直連的設(shè)計(jì)。

若需要研究SRU單元更深層面的理論，可以參考如下論文：

arxiv.org/abs/1709.0275

No35 IndRNN模型論文：

再補(bǔ)一個(gè)，這可都是好cell??！

將IndRNN單元配合ReLu等非飽和激活函數(shù)一起使用，會(huì)使模型表現(xiàn)出更好的魯棒性。

有關(guān)IndRNN單元的更多理論，可以參考論文：

arxiv.org/abs/1803.0483

No36 IndRNN模型論文：

最后，再來(lái)一個(gè)cell，如想要了解更多關(guān)于JANET單元的內(nèi)容，可以參考以下論文：

arxiv.org/abs/1804.0484

八、AI合成部分

No37-38 Tacotron與Tacotron-2模型論文：

AI合成部分的經(jīng)典模型，以上結(jié)構(gòu)來(lái)自Tacotron與Tacotron-2兩個(gè)結(jié)構(gòu)，更多內(nèi)容可以參考以下兩篇論文：

arxiv.org/pdf/1703.1013

arxiv.org/pdf/1712.0588

No39 DeblurGAN模型論文：

圖片合成的論文太多了。這里簡(jiǎn)單列幾個(gè)，大體原理和思路了解即可。

DeblurGAN模型是一個(gè)對(duì)抗神經(jīng)網(wǎng)絡(luò)模型，由生成器模型和判別器模型組成。

—生成器模型，根據(jù)輸入的模糊圖片模擬生成清晰的圖片。

—判別器模型，用在訓(xùn)練過(guò)程中，幫助生成器模型達(dá)到更好的效果。

具體可以參考論文：

arxiv.org/pdf/1711.0706。

No40 AttGAN模型論文：

同樣，這也是個(gè)圖片合成的。不同的是多屬性合成，相對(duì)比較有意思。

AttGAN模型由兩個(gè)子模型組成：

（1）利用編碼器模型將圖片特征提取出來(lái)。

（2）將提取的特征與指定的屬性值參數(shù)一起輸入編碼器模型中，合成出最終的人臉圖片。

更多細(xì)節(jié)可以參考論文：

arxiv.org/pdf/1711.1067

No41 RNN.WGAN模型論文：

可以合成文本的GAN。離散數(shù)據(jù)也能干！

RNN.WGAN模型使用了WGAN模型的方法進(jìn)行訓(xùn)練。詳細(xì)做法可以參考如下論文：

arxiv.org/abs/1704.0002

九、多任務(wù)學(xué)習(xí)

No42 MKR模型論文：

多任務(wù)學(xué)習(xí)模型有必要了解一下。這里推薦一個(gè)論文給你看看。

MKR是一個(gè)多任務(wù)學(xué)習(xí)的端到端框架。該框架能夠?qū)蓚€(gè)不同任務(wù)的低層特征抽取出來(lái)，并融合在一起實(shí)現(xiàn)聯(lián)合訓(xùn)練，從而達(dá)到最優(yōu)的結(jié)果。有關(guān)MKR的更多介紹可以參考以下鏈接：

arxiv.org/pdf/1901.0890

十、NLP部分

No43 BERT模型論文：

如果你搞NLP，那么這個(gè)就不用我來(lái)介紹了。如果你準(zhǔn)備搞NLP，那么趕緊來(lái)看看這個(gè)，跟上時(shí)代。

BERT相關(guān)論文鏈接

arxiv.org/abs/1810.0480

在BERT之后，又出了好多優(yōu)秀的模型。但是，還是先把這個(gè)啃下來(lái)，再看別的才不費(fèi)勁。

十一、模型攻防

No44 FGSM模型論文：

攻擊模型的經(jīng)典方法。值得掌握。

FGSM（Fast Gradient Sign Method）是一種生成對(duì)抗樣本的方法。該方法的描述如下：

（1）將輸入圖片當(dāng)作訓(xùn)練的參數(shù)，使其在訓(xùn)練過(guò)程中可以被調(diào)整。

（2）在訓(xùn)練時(shí)，通過(guò)損失函數(shù)誘導(dǎo)模型對(duì)圖片生成錯(cuò)誤的分類。

（3）當(dāng)多次迭代導(dǎo)致模型收斂后，訓(xùn)練出來(lái)的圖片就是所要得到的對(duì)抗樣本。

具體可以參考論文：

arxiv.org/pdf/1607.0253

No45 黑箱攻擊論文：

基于雅可比（Jacobian）矩陣的數(shù)據(jù)增強(qiáng)方法，是一種常用的黑箱攻擊方法。該方法可以快速構(gòu)建出近似于被攻擊模型的決策邊界，從而使用最少量的輸入樣本。即：構(gòu)建出代替模型，并進(jìn)行后續(xù)的攻擊操作。

詳細(xì)請(qǐng)見如下鏈接：

arxiv.org/abs/1602.0269

這里只是列了一些基礎(chǔ)的論文。如果這45篇論文看完，可以保證你再看到大廠的產(chǎn)品時(shí)，不會(huì)感覺有代溝。