提出 EvoUAD-AT 方法提升对抗样本鲁棒性
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
最新进展11月19日 13:00
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报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- 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
- –
02.557.510
18:0020:0022:0011月20日02:00
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。