使用CNN-F进行蛋白质对接修正的CNN-F-Protein-Docking

CNNF 介绍 神经网络容易受到输入扰动的影响，例如加性噪声和对抗性攻击。 相反，人类的感知对这种扰动要强得多。 贝叶斯脑假说指出，人脑使用内部生成模型来更新感觉输入的后置信念。 这种机制可以解释为内部生成模型的最大后验（MAP）估计与外部环境之间的自洽形式。 受到这种假设的启发，我们通过结合生成的递归反馈来在神经网络中实现自洽。 我们在卷积神经网络（CNN）上实例化此设计。 所提出的框架称为带反馈卷积神经网络（CNN-F），它向现有CNN架构引入了具有潜在变量的生成反馈，其中在贝叶斯框架下通过交替MAP推理做出一致的预测。 在实验中，CNN-F在标准基准上显示出比常规前馈CNN更高的对抗鲁棒性。 有关更多详细信息，请参见我们的。 内容 该目录包含CNN-F（带有反馈的CNN）的Pytorch实现。 layers.py包含用于构建CNN模型的反馈层。 models_mnist.py和mo