文件名称：influence-release
文件大小：112.11MB
文件格式：ZIP
更新时间：2024-06-20 08:18:00
JupyterNotebook
通过影响函数理解黑盒预测 此代码复制了以下论文中的实验： 庞伟哥和梁朝伟 机器学习国际会议 (ICML)，2017 年。 我们对这些脚本的重现性，可执行文件和Dockerized版本 。 实验的数据集也可以在Codalab链接中找到。 依赖项： Numpy/Scipy/Scikit-learn/Pandas Tensorflow（在 v1.1.0 上测试） Keras（在 v2.0.4 上测试） Spacy（在 v1.8.2 上测试） h5py（在 v2.7.0 上测试） Matplotlib/Seaborn（用于可视化） 可以在此处找到具有这些依赖项的 Dockerfile： ://hub.docker.com/r/pangwei/tf1.1/ 在本文中，我们使用影响力函数（一种来自鲁棒统计的经典技术）来通过学习算法跟踪模型的预测并返回其训练数据，从而确定最负责
【文件预览】：
influence-release-master
----LICENSE.md(1KB)
----__init__.py(0B)
----scripts()
--------ICML_poisoned_dogfish-Copy2.ipynb(17.26MB)
--------run_data_poisoning_indiv.py(7KB)
--------fig6_input_checking.ipynb(48KB)
--------fig2_approx.ipynb(30KB)
--------fig1_influence_components.ipynb(74KB)
--------load_spam.py(2KB)
--------run_components_experiment.py(3KB)
--------load_mnist.py(5KB)
--------ICML_poisoned_animals.ipynb(24.31MB)
--------run_spam_experiment.py(4KB)
--------run_hinge_experiment.py(5KB)
--------hospital_readmission.ipynb(221KB)
--------train_mnist.py(2KB)
--------fig5_attack_indiv.ipynb(9KB)
--------fig5_attack_multiple.ipynb(2.27MB)
--------run_data_poisoning.py(14KB)
--------run_data_poisoning_multiple.py(5KB)
--------gen_inception_features.py(2KB)
--------fig3_hinge.ipynb(61KB)
--------run_rbf_comparison.py(7KB)
--------train_mnist_logreg.py(2KB)
--------fig4_rbf_vs_inception.ipynb(1.81MB)
--------load_animals.py(8KB)
----README.md(2KB)
----inception()
--------inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5(83.84MB)
----influence()
--------genericNeuralNet.py(33KB)
--------image_utils.py(2KB)
--------binaryLogisticRegressionWithLBFGS.py(6KB)
--------__init__.py(0B)
--------inception_v3.py(15KB)
--------all_CNN_c.py(5KB)
--------smooth_hinge.py(11KB)
--------logisticRegressionWithLBFGS.py(7KB)
--------imagenet_utils.py(2KB)
--------hessians.py(5KB)
--------inceptionModel.py(11KB)
--------dataset.py(3KB)
--------dataset_poisoning.py(9KB)
--------nlprocessor.py(3KB)
--------experiments.py(7KB)