梯度引导随机搜索防御像素稀疏攻击
热点事件持续更新
梯度引导随机搜索防御像素稀疏攻击
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
arXiv 论文提出一种名为梯度引导随机搜索(GRS)的鲁棒性防御方法,旨在应对针对深度学习模型的像素稀疏攻击。该方法在 CIFAR-10 与 ImageNet 数据集上的表现优于或持平于现有的 sparse-AutoAttack 基准。 据作者称,GRS 仅需一次前向与反向传播即可完成评估,运行速度比 sAA 成员快 3.7 至 5.0 倍。此外,该方法无需依赖集成测试即可有效抵抗局部搜索攻击。
AI 根据报道生成 · 11 小时前更新
报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv · 机器人与计算机视觉Gradient-guided Random Search (GRS) 提出一种针对像素稀疏攻击的鲁棒性防御方法,在 CIFAR-10 与 ImageNet 模型上表现优于或持平于 sparse-AutoAttack。该方法仅需一次前向与反向传播,运行速度比 sAA 成员快 3.7 至 5.0 倍,且无需依赖集成测试即可有效抵抗局部搜索攻击。
Gradient-guided Random Search (GRS) 提出一种针对像素稀疏攻击的鲁棒性防御方法,在 CIFAR-10 与 ImageNet 模型上表现优于或持平于 sparse-AutoAttack。该方法仅需一次前向与反向传播,运行速度比 sAA 成员快 3.7 至 5.0 倍,且无需依赖集成测试即可有效抵抗局部搜索攻击。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 911月18日 15:00
- 近 24 小时变化
- –
02.557.510
16:0018:0020:0022:0011月19日
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。