NetDiffusion 通过使用协议感知型 Stable Diffusion 模型来合成既真实又符合标准的网络流量，从而解决了这些问题。
本文提出了一种名为 MaskUNet 的新方法，通过对扩散模型中的 U-Net 参数进行掩蔽，显著提升了图像生成质量。该方法利用时间步和样本依赖的掩蔽策略，动态选择有效的 U-Net 参数，从而提高生成效果，同时保持模型的泛化能力。
到随机优化的启发而设计随机方差减少梯度方法。SVRE可以在外部循环获得更准确的梯度更新，以避免糟糕的局部最优，从而使精心制作的对抗样本不会“过拟合 ”集成模型。因此，精心设计的对抗样本预计对其他未知模型具有更高的可迁移性。
此存储库包含适用于 MNIST、CIFAR-10 和 NIPS 2017 对抗性学习挑战数据集的 AdvGAN 模型的 PyTorch 实现。还改编了相对论平均 LSGAN （RaLSGAN），并设法提高了原始 AdvGAN 的性能，无论是在准确性还是对抗示例与原始示例的感知相似性方面！
提出了一种基于投影的对抗性攻击生成框架 ProGen 来应对这两个挑战。 ProGen 的灵感来自于 NIDS 场景的两个观察到的特征：灵活的表示和明确的目标。 ProGen 使用基本特征序列 (BFS) 空间以符合实际需求的方式表示网络流量。为了实现明确的目标，ProGen 利用流量空间生成对抗网络 (GAN) 来近似恶意流量和良性流量之间的分布映射。
These common credit score data sets are collected to empirical evaluations, and I will update dynamically.
A single jupyter notebook multi gpu VAE-GAN example with latent space algebra and receptive field visualizations.
Implementations of a number of generative models in Tensorflow 2. GAN, VAE, Seq2Seq, VAEGAN, GAIA, Spectrogram Inversion. Everything is self contained in a jupyter notebook for easy export to colab.
pytorch handbook是一本开源的书籍，目标是帮助那些希望和使用PyTorch进行深度学习开发和研究的朋友快速入门，其中包含的Pytorch教程全部通过测试保证可以成功运行
Collection of generative models, e.g. GAN, VAE in Pytorch and Tensorflow.
