一、Intriguing properties of neural networks
—1835继续整理一下，这篇论文。
提出了两个点：
1、质疑前人所说的，一个unit代表一种语义信息；取而代之的是，一层中的所有unit代表着整个空间的语义信息。
【（1）有什么现实价值——完了之后呢？（2）具体所有unit的实验结果是如何的？可以选出的图片具有哪些特征？】
2、提出生成对抗样本的方法；提出有理数无理数与对抗样本和训练样本之间的关系，即训练样本是无理数，很多，但是对抗样本就在训练样本边上，也很多，只不过不容易抓取，可通过生成方式获得–》训练样本不连续
【1、是每一个模型学习一个扰动r吗？用的时候直接加在图片上就可以？】
【这个问题和师兄讨论过，明白啦！
r是根据每个x算出来的，最优化问题，不是学习出来的。
所谓学习是指根据大量数据，调整模型参数。
------至于后面所说的，可在模型和数据集之间迁移使用，应该说的是，用前一个模型生成的恶意样本（x+r），可以在其他模型【具体是不是调整模型结构，还需要看实验】，或者另一份数据训练的模型上，仍旧可以欺骗。】
总结一下后续工作：
1、（1）有什么现实价值——完了之后呢？（2）具体所有unit的实验结果是如何的？可以选出的图片具有哪些特征？
2、在模型之间迁移，说的是模型结构不同的时候，x+r仍旧有效吗
二、AttacKG
–今天详细看了AttacKG的底层算法，包括template形式，对齐算法，TKG生成，Template更新和初始化
1、parsing是语法分析
2、【问题1】先通过node对齐，选出备选node，在Ga中的node就形成子图了吗？如果最后整体计算的分值，大于某个threshold，这这个子图和template对齐了？然后就把template中的知识给他吗？
3、【问题2】
4、【问题3】
--------2102
啊啊啊啊没时间看美亚了我哭了！！！！
一定要下完！！！！！！