新的证据对抗训练提高了人工智能的鲁棒性和不确定性

研究人员推出了一种名为证据对抗训练（EV-AT）的新方法，旨在提高神经网络预测不确定性的鲁棒性和可靠性，特别适用于安全关键型应用。该方法解决了对抗训练提高准确性但损害不确定性估计的常见问题。EV-AT 利用狄利克雷分布来模拟不确定性，并结合了用于干净准确性和可靠不确定性的基于证据的损失，以及匹配干净和对抗性预测的鲁棒证据对齐损失。实验表明，EV-AT 在平衡鲁棒性和不确定性方面优于现有的对抗训练方法。 AI

影响 通过同时提高鲁棒性和不确定性估计，增强了安全关键型人工智能应用的可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了一种提高人工智能模型鲁棒性和不确定性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Dirichlet distribution
• Evidential Adversarial Training
• Gotit.pub
• Hugging Face
• IArxiv
• ScienceCast

• 论文
• 安全
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →