TORAX: A Fast and Differentiable Tokamak Transport Simulator in JAX
TORAX：JAX 中一个快速且可微的托卡马克输运模拟器
AI总结 介绍基于 JAX 框架的开源可微托卡马克输运模拟器 TORAX，它求解多种输运耦合方程，融合物理与机器学习模型，利用 JAX 特性实现快速运行及微分，经与 RAPTOR 代码验证，为托卡马克相关研究提供有力工具。
Comments 16 pages, 7 figures
作者
Ian Goodfellow
Generative Models
MONA: Myopic Optimization with Non-myopic Approval Can Mitigate Multi-step Reward Hacking
MONA：近视优化与非近视批准可缓解多步奖励黑客行为
机构 * Google DeepMind（谷歌DeepMind）
AI总结 MONA方法通过结合短视优化与远视奖励，在无需检测奖励黑客或额外信息的情况下，有效防止多步奖励黑客行为，并在多种错位场景中验证了其有效性。
Adversarial Training Methods for Semi-Supervised Text Classification
机构 * Preferred Networks, Inc.（Preferred Networks公司） ； ATR Cognitive Mechanisms Laboratories（ATR认知机制实验室） ； Kyoto University（京都大学） ； Google Brain（谷歌大脑） ； OpenAI
Comments Published as a conference paper at ICLR 2017
Sanity Checks for Saliency Maps
机构 * Google Brain（谷歌大脑） ； University of California Berkeley（加州大学伯克利分校）
Comments Updating Guided Backprop experiments due to bug. The results and conclusions remain the same
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming
机构 * DeepMind（深度思维） ； Google Brain（谷歌大脑） ； Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
A domain agnostic measure for monitoring and evaluating GANs
机构 * ETH Zurich（苏黎世联邦理工学院） ； Technion-Israel Institute of Technology（以色列理工学院） ； Swiss Data Science Center（瑞士数据科学中心）
Ensemble Adversarial Training: Attacks and Defenses
机构 * Stanford University（斯坦福大学） ； Google Brain（谷歌大脑） ； Pennsylvania State University（宾夕法尼亚州立大学）
Comments 22 pages, 5 figures, International Conference on Learning Representations (ICLR) 2018 (amended in April 2020 to include subsequent attacks that significantly reduced the robustness of our models)
Creating High Resolution Images with a Latent Adversarial Generator
机构 * Google Research（谷歌研究院）
MixMatch: A Holistic Approach to Semi-Supervised Learning
机构 * Google Research（谷歌研究院）
Adversarial Reprogramming of Neural Networks
机构 * Google Brain（谷歌大脑）
Journal ref International Conference on Learning Representations 2019
Adversarial Examples that Fool both Computer Vision and Time-Limited Humans
机构 * Google Brain（谷歌大脑） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Pennsylvania State University（宾夕法尼亚州立大学）
Journal ref Advances in Neural Information Processing Systems, 2018
Self-Attention Generative Adversarial Networks
机构 * Rutgers University（罗格斯大学） ； Google Research（谷歌研究院）
Realistic Evaluation of Deep Semi-Supervised Learning Algorithms
机构 * Google Brain（谷歌大脑）
Journal ref NeurIPS 2018 Proceedings
Imperceptible, Robust, and Targeted Adversarial Examples for Automatic Speech Recognition
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Google Brain（谷歌大脑）
Comments International Conference on Machine Learning (ICML), 2019
A Research Agenda: Dynamic Models to Defend Against Correlated Attacks
机构 * Google Brain（谷歌大脑（Google Brain））
Discriminator Rejection Sampling
机构 * UC Berkeley（加州大学伯克利分校） ； Google Brain（谷歌大脑）
Comments Published as a conference paper at ICLR 2019
On Evaluating Adversarial Robustness
Comments Living document; source available at https://github.com/evaluating-adversarial-robustness/adv-eval-paper/
Deep Learning with Differential Privacy
机构 * Google（谷歌） ； OpenAI（开放人工智能研究中心）
Journal ref Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security (ACM CCS), pp. 308-318, 2016
On the Protection of Private Information in Machine Learning Systems: Two Recent Approaches
机构 * Google（谷歌） ； Pennsylvania State University（宾夕法尼亚州立大学）
Journal ref IEEE 30th Computer Security Foundations Symposium (CSF), pages 1--6, 2017
New CleverHans Feature: Better Adversarial Robustness Evaluations with Attack Bundling
机构 * Google AI（谷歌人工智能）
Local Explanation Methods for Deep Neural Networks Lack Sensitivity to Parameter Values
机构 * Google Brain（谷歌大脑）
Comments Workshop Track International Conference on Learning Representations (ICLR)
Unrestricted Adversarial Examples
机构 * Google Brain（谷歌大脑） ； OpenAI
Adversarial Spheres
机构 * Google Brain（谷歌大脑）
Skill Rating for Generative Models
机构 * Google Brain（谷歌大脑）
TensorFuzz: Debugging Neural Networks with Coverage-Guided Fuzzing
机构 * Google Brain（谷歌大脑）
Comments Preprint - work in progress
Understanding and Improving Interpolation in Autoencoders via an Adversarial Regularizer
机构 * Google Brain（谷歌大脑）
Motivating the Rules of the Game for Adversarial Example Research
机构 * Google Brain（谷歌大脑） ； Princeton（普林斯顿大学）
Technical Report on the CleverHans v2.1.0 Adversarial Examples Library
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Google Brain（谷歌大脑） ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； Symantec（赛门铁克） ； Johns Hopkins（约翰斯·霍普金斯大学） ； The Cooper Union（库珀联盟学院） ； Nanyang Technological University（南洋理工大学） ； Kansas State（堪萨斯州立大学） ； YerevaNN ； NTUEE（台湾大学电机工程学系） ； IIT Delhi（印度理工学院德里分校） ； MIT（麻省理工学院） ； Hasso Plattner Institute（哈索·普拉特纳研究所） ； National Tsing Hua University（国立清华大学） ； IMPRS（国际马克斯·普朗克研究学院）
Comments Technical report for https://github.com/tensorflow/cleverhans
Defense Against the Dark Arts: An overview of adversarial example security research and future research directions
Is Generator Conditioning Causally Related to GAN Performance?
机构 * Google Brain（谷歌大脑）
