nsbg 🌞

이번주부터 한 주에 하나의 논문을 읽어보려고 한다. 나 잘할 수 있겠지 ? ^_^ 💬 논문 내용과 이 글에 대한 의견 공유, 오탈자 지적 환영합니다. 편하게 댓글 남겨주세요 ! 원문 : https://arxiv.org/pdf/1706.03762.pdf Abstract dominant한 sequence transduction 모델들은 복잡한 RNN/CNN 구조 → Attention 매커니즘만을 기반으로 하는 새롭고 간단한 구조의 Transformer 제안 2022. 3. 4 추가 Transformer 요약 : 학습과 병렬화가 쉽고 attention 구조를 사용하여 속도를 높인 모델 Introduction Attention 매커니즘은 입력, 출력 간 거리에 상관없이 modeling을 할 수 있게 한다는 점에..

문제 입출력 예시 풀이이것도 작년의 내가 못 풀었던 문젠데 핵심 키워드는 정렬! 작년 코드 보니까 정말 생각 안하고 푼 흔적이 그대로 남아있던데 역시 사람은 생각을 하고 살아야 한다 ^_^

문제 풀이사실 어려운 문제는 아닌데 1년 전의 내가 못 풀었던 문제라서 다시 봤다. 문제 제대로 읽으니까 바로 풀려버렸고,,^^ 조건대로 따라가기만 하면 되는데 조금 고민해야할 부분은 '특수 부호의 바로 앞이나 바로 뒤에 나오는 공백도 있으나 없으나 상관없다.' 이것! 작년에 제출한 코드 다시 보니까 저 조건 생각도 안하고 제출해놓고 어 왜 틀렸지 이러고 있었음 다른 조건들은 내장함수를 잘 사용하면 되고 특수 부호 앞뒤 공백 체크하는 건 코드가 너무 지저분해질 거 같아서 함수로 만들었다. 함수 짤 때 생각한 단계는 아래와 같다. ① 문자열을 하나씩 훑으면서 특수 부호인지 확인② 특수 부호일 때 해당 위치 앞, 뒤에 공백이 있는지 확인③ 공백이 있다면 다른 기호로 바꿔주고 대체 기호를 모두 제거한 값을 리..

📖 AI보안 쪽 열심히 봤다. 논문도 읽고 코드 분석도 하고 블로그에 내용 정리도 몇 번 하고 나름 이것저것 해서 뿌듯. 연구실에 들어오지 않았다면 전혀 몰랐을 분야였기 때문에 연구실 잘 왔다는 생각이 들었다. 1월 한 달을 돌아보면서 나 자신에게 아쉬운 점은 연구(?)의 효율이 좋지 않다는 것이다. 밥 먹는 시간과 중간중간 쉬는 시간 다 빼고 남는 시간에 온전히 집중을 못한다. 하루종일 논문 한 편을 못 읽을 때도 있고, 코드 하나를 다 분석 못할 때도 있다. 연구실에서 저렇다보니까 플래너에 정리할만한 내용이 한 두개 밖에 없길래 플래너 작성을 일주일 단위로 바꿨는데 요즘 다시 일 단위로 쓸까 생각 중이다. 잘하고 싶다는 생각은 자주 하면서 몇 달 째 언행불일치인지 ^^! 💻공부한 거 적용해보려고 데이..

1. LabelEncoder() : target values를 0~(클래스 개수-1) 사이 정수로 인코딩 ◾ 변환 시 알파벳/한글 순서를 반영한다. → a, ㄱ: 0 ◾ input이 아닌 target values만 적용되어야 한다. 자세히 from sklearn.preprocessing import LabelEncoder, OneHotEncoder, MinMaxScaler, StandardScaler le = LableEncoder() label = np.array(['dog', 'cat', 'tiger', 'rabbit', 'pig']) le.fit_transform(label) 2. OneHotEncoder() : 범주형 feature를 one-hot numeric array로 변환 ◾ sparse=..

사실 분석보다 직역에 가깝지만 내용 정리 및 집단 지성의 힘을 빌려 내가 잘 몰랐던 부분을 이해하기 위한 목적으로 적는다. 💬 논문 내용과 이 글에 대한 의견 공유, 오탈자 지적 환영합니다. 편하게 댓글 남겨주세요 ! 원문 : https://arxiv.org/abs/1607.02533 Abstract ◾ 이 논문은 물리적 세계에서도 머신러닝 시스템이 adversarial example에 취약하다는 것을 보임 Introduction ◾ 머신러닝 모델은 오분류를 일으키기 위한 목적으로 만들어진 adversarial manipulation input에 취약하며 특히 테스트 시 모델이 미세하게 변경된 입력을 받는 것에 대해 매우 취약함 ◾ 머신러닝 모델 M, 입력 샘플 C(변경되지 않은 깨끗한 상태의 샘플)가 ..

jupyter notebook으로 코드 돌리는데 짜잘한 에러가 자꾸 떠서 오늘은 삽질 좀 했다 😢 ✅ 코드 원본 : https://github.com/Trusted-AI/adversarial-robustness-toolbox/blob/main/art/attacks/evasion/adversarial_patch/adversarial_patch.py GitHub - Trusted-AI/adversarial-robustness-toolbox: Adversarial Robustness Toolbox (ART) - Python Library for Machine Learning S Adversarial Robustness Toolbox (ART) - Python Library for Machine Learning..

원본 코드를 돌려보고 끝내는 것이 아니라 attack/defence에 대한 코드를 조금씩 바꿔보면서 실습을 진행했다. ✅ 코드 원본 : https://github.com/Trusted-AI/adversarial-robustness-toolbox/blob/main/notebooks/attack_defence_imagenet.ipynb GitHub - Trusted-AI/adversarial-robustness-toolbox: Adversarial Robustness Toolbox (ART) - Python Library for Machine Learning S Adversarial Robustness Toolbox (ART) - Python Library for Machine Learning Securit..

jupyter notebook에서 Bagging 실습을 하던 중에 뜬 에러 메시지이다. [398, 171]의 출처를 알아야 하는데 fit() 함수 파라미터가 X_train, y_train이기 때문에 두 개랑 관련이 있을 것으로 생각하고 shape를 확인해봤다. 오류 원인은 데이터 분할 순서였다. train끼리 묶고 test끼리 묶어야지 이 생각으로 첫번째처럼 data를 분할했더니 에러가 난 거였다. 데이터 분할 시 순서를 잘 맞춰주면 해결 가능하다.

✅ 코드 : https://github.com/Trusted-AI/adversarial-robustness-toolbox/blob/main/notebooks/adversarial_training_mnist.ipynb GitHub - Trusted-AI/adversarial-robustness-toolbox: Adversarial Robustness Toolbox (ART) - Python Library for Machine Learning S Adversarial Robustness Toolbox (ART) - Python Library for Machine Learning Security - Evasion, Poisoning, Extraction, Inference - Red and Blue Teams..