跳到正文
热点事件持续更新

提出 EvoUAD-AT 方法提升对抗样本鲁棒性

1 篇报道1 个报道来源14 小时前更新

先了解这件事

AI 综述

针对深度学习在对抗样本下的脆弱性问题,研究人员发布了进化不确定性感知分布对抗训练(EvoUAD-AT)方法。该方法设计了进化对抗不确定性模块以维护实例级搜索分布,并通过反思性梯度匹配进行正则化。论文作者称,在多个基准测试的广泛评估中,该方法同时实现了高于现有最先进方法的清洁准确率与鲁棒性,且深入分析证实了各组件的有效性。

AI 根据报道生成 · 10 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19日
  1. arXiv · 机器人与计算机视觉
    生存者最适扰动:面向鲁棒泛化的对抗分布不确定性感知进化

    针对深度学习在对抗样本下的脆弱性问题,本文提出进化不确定性感知分布对抗训练(EvoUAD-AT)方法。该方法设计进化对抗不确定性模块,维护实例级搜索分布以捕捉特征统计变化,并通过反思性梯度匹配进行正则化。实验表明,该方法在多个基准测试中同时优于现有最先进方法,实现了更高的清洁准确率与鲁棒性。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 17:00
近 24 小时变化
–

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。