Лабораториямодальности и модули пилота

Лаборатория: пилот на изображениях и расширение на текст, звук и таблицы

Три модуля изображений работают с одними и теми же экспортированными чекпоинтами и CSV-таблицами пакета исследования; лаборатории текста, аудио и таблиц — со своими данными, моделями и сохранёнными прогонами. Значки режима показывают, откуда взято каждое число.

  • REAL COMPUTATIONвычислено в вашем браузере сейчас по весам чекпоинтов (инференс, FGSM/PGD, CKA, метрики)
  • VERIFIED PRECOMPUTED EXPERIMENTстроки CSV/JSON пакета (прогоны 29.10.2026 и 05.11.2026), значения не изменялись
  • ILLUSTRATIVE SCHEMATICсхема, не данные
  • в новых лабораторияхте же классы называются LIVE COMPUTATION (живой расчёт), VERIFIED RUN (сохранённый прогон со строками по каждому примеру и хэшами) и ILLUSTRATIVE; NOT IMPLEMENTED — только описание будущей работы

00

Лаборатории по модальностям

Где тот же вопрос о переносе атак проверяется на тексте, звуке и таблицах — и чем эти проверки различаются?

расширение 19.11.2026; пилот НИР — изображения

  • Изображения

    Пилот работы: цифры 8×8, четыре классификатора, FGSM и PGD-10 по градиенту источника, перенос и CKA.

    реальные данные · LIVE + строки CSV пакета

    Открыть модальность
  • Текст

    Фильтры SMS-спама: допустимые замены слов и обфускация символов по запросам к источнику, проверка на двух других классификаторах.

    реальные данные (UCI, CC BY 4.0) · LIVE + VERIFIED RUN

    Открыть модальность
  • Аудио

    Классификаторы синтетических сигналов: FGSM и PGD по форме волны с ограничением амплитуды и SNR, прослушивание исходного и атакованного сигнала.

    синтетические данные · LIVE + VERIFIED RUN

    Открыть модальность
  • Табличные данные

    Синтетические транзакции со схемой признаков: неизменяемые, целые, категориальные и производные поля, поиск допустимой атаки и её перенос.

    синтетические данные · LIVE + VERIFIED RUN

    Открыть модальность

Одинаковые названия метрик в разных модальностях не означают общей шкалы: бюджеты измеряются в разных единицах. Сводка с знаменателями и провенансом — на странице сравнения модальностей.

To‘rt modallik laboratoriyasi: tasvirlar (NIR pilot), matn, audio va jadval ma’lumotlari. Har birida o‘z byudjeti va cheklovlari bor; ularni bitta shkalada solishtirib bo‘lmaydi.

  1. Модуль 1 · FGSM

    FGSM-лаборатория

    Пример из 450 тестовых изображений, пара моделей, бюджет ε (0…0,30) и метод (FGSM или PGD-10). Три изображения, ответы обеих моделей, четыре исхода, контроль шума и метрики по всей выборке — на одном экране.

    Открыть
  2. Модуль 2 · Перенос

    Перенос атак

    Направленная матрица T(источник → цель) 4×4 с числителями и знаменателями; асимметрия A→B и B→A, контроль случайного шума и живой пересчёт всех 12 пар в браузере.

    Открыть
  3. Модуль 3 · CKA

    CKA

    Матрица linear CKA по слоям и seed, пошаговый расчёт, живое вычисление по 450 примерам и диаграмма «CKA против переноса» для обоих направлений, без p-value.

    Открыть

01

Параметры эксперимента и их эффект

Что меняет каждый элемент управления и для каких значений есть измеренные строки CSV?

Что меняет каждый элемент управления и для каких значений существуют измеренные строки CSV.
ПараметрЗначенияЧто меняетсяИзмерено в CSV
Набор чекпоинтовprior seed 42; rerun seed 42 / 43 / 44веса всех четырёх моделей и тестовое разбиение (seed задаёт разбиение, инициализацию и порядок батчей)prior: FGSM, ε 0,10/0,20, seed 42/43/44 (чекпоинты только seed 42); rerun: FGSM и PGD, ε 0,05–0,20, все seed
ИсточникMLP-96, MLP-160, CNN-12, CNN-20модель, на которой вычисляется градиент; кэш знака градиента сбрасываетсявсе 12 направленных пар
Цельлюбая другая модельмодель, оценивающая готовое изображение; равенство источнику запрещеновсе 12 направленных пар
ε0…0,30 шаг 0,01амплитуда L∞ возмущения; при ε = 0 изображение чистое0,05 · 0,10 · 0,15 · 0,20 (prior: 0,10 · 0,20); остальные — только живой расчёт
АтакаFGSM; PGD-10один шаг по знаку градиента; десять шагов с проекцией на ε-шар (в браузере — без случайного старта)PGD только в перезапуске
Слой CKApenultimate; earlyкакие активации сравниваютсяearly — только в перезапуске
Примерпозиция теста 0…449изображение, метка, состояние «входит ли в J»—

Checkpoint to‘plami vaznlarni va test bo‘linishini belgilaydi; manba — gradient olinadigan model; nishon — faqat baholovchi; ε — maksimal piksel o‘zgarishi; CSV da faqat ε = 0,05/0,10/0,15/0,20 o‘lchangan.

02

Четыре исхода одного примера и две метрики

Что считается переносом, а что нет?

Для направленной пары источник s → цель t берутся только примеры J, которые обе модели классифицировали верно до атаки. Внутри J каждый пример попадает ровно в одну категорию:

источникцель обманутацель устояла
источник обманут
✖✖ обмануты обе — строгий перенос

Входит и в T_joint, и в T_conditional. Пример пилота: позиция 177 (метка 3): MLP-96 3→9, CNN-12 3→9.

✖· обманут только источник

Перенос не произошёл. Пример: позиция 53 (метка 2): MLP-96 2→5, CNN-12 2→2.

источник устоял
·✖ ошиблась только цель

Входит в T_joint, но не в T_conditional: источник устоял. Пример: позиция 256 (метка 3): MLP-96 3→3, CNN-12 3→9 (в первом демо пакета — позиция 5: 6→6 / 6→8).

✓✓ ни одна не обманута

Пример: позиция 294 (метка 0).

Tjoint(s→t) = |{i ∈ J : ft(xadv,i) ≠ yi}| / |J|Tconditional(s→t) = |обе ошиблись ∩ J| / |источник ошибся ∩ J|random_rate(t) = |{i ∈ J : ft(xrand,i) ≠ yi}| / |J|

Для MLP-96 → CNN-12 при ε = 0,10 (prior seed 42): |J| = 434; обе 111, только источник 137, только цель 10, ни одна 176. T_joint = (111 + 10)/434 = 27,9 %; T_conditional = 111/248 = 44,8 %; при нулевом знаменателе выводится N/A, а не 0. Отобранные примеры выбраны детерминированным правилом для наглядности и не являются частотами — частоты показаны в лаборатории для всего J.

T_joint — nishonning xato ulushi (manbaga qaramasdan); T_conditional — manbani aldagan misollar ichida nishon ham aldangan ulush. «6→6 / 6→8» holati T_joint ga kiradi, qat’iy ko‘chish emas.