Hello everyone, welcome to my prese

大家好，欢迎来到我的论文“基于PID的对抗攻击方法”的演讲。我是中山大学的陈万。这项工作是由标华和方俊完成的。<br>对抗性攻击会误导深层神经网络，从而给正常示例增加少量扰动，而扰动主要取决于损失函数相对于输入的梯度。<br>受自动控制领域经典比例积分微分（PID）控制器的启发，我们提出了一种新的基于PID的方法来生成对抗性示例。在我们的方法中考虑了当前和过去的梯度以及梯度的导数，它们分别对应于PID控制器中的P，I和D的分量。

大家好，欢迎参加我的论文《基于PID的对抗攻击方法》的演讲。我是中山大学的陈婉。这项工作是用薄华和方军完成的。<br>对抗攻击会误导深度神经网络，给正常示例添加小扰动，这主要取决于与输入的损耗函数的梯度。<br>在自动控制领域典型的比例积分导数 （PID） 控制器的启发下，我们提出了一种新的基于 PID 的方法，用于生成对抗性示例。本和过去的梯度和梯度的导数在方法中得到考虑，分别对应于PID控制器中的P、I和D分量。

Hello everyone, welcome to my presentation for the paper PID-Based Approach to Adversarial Attacks. I’m Chen Wan, from Sun YAT-SEN University. This work is done with Biaohua and Fangjun.Adversarial attack can misguide the deep neural networks with adding small perturbations to normal examples, which is mainly determined by the gradient of the loss function with respect to inputs. Inspired by the classic proportional-integral-derivative (PID) controller in the field of automatic control, we propose a new PID-based approach for generating adversarial examples. The gradients in the present and past, and the derivative of gradient are considered in our method, which correspond to the components of P, I and D in the PID controller, respectively.<br>