PulseAugur
中
实时 02:33:31
English(EN) RoME: Robust Mixture of Low-Rank Experts against Multiple Adversarial Perturbations

RoME引入鲁棒低秩专家以增强对抗防御能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了RoME（鲁棒低秩专家混合模型），这是一种增强机器学习模型对抗鲁棒性的新方法。RoME采用专家混合（MoE）架构，其中每个专家是对共享骨干网络的低秩更新，能够更好地专门处理威胁特定特征，同时有效捕捉共性。该系统还结合了双尺度门控和威胁引导多样化，以确保在不同对抗性扰动下进行有效的路由和专家利用。实验表明，RoME在鲁棒性和自然准确性方面均优于当前最先进的方法，甚至提高了对先前未见威胁的抵抗能力。 AI

影响 增强模型对对抗性攻击的抵抗能力，有可能提高AI系统在实际应用中的安全性和可靠性。

排序理由 该集群包含一篇详细介绍机器学习对抗鲁棒性新方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

RoME引入鲁棒低秩专家以增强对抗防御能力

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Woo Jae Kim, Kyle Min, Suhyeon Ha, Joonsung Jeon, Sung-eui Yoon ·

    RoME：一种鲁棒的低秩专家混合模型，可抵御多种对抗性扰动

    arXiv:2607.06109v1 Announce Type: cross Abstract: Multi-perturbation adversarial training (MAT) aims to achieve robustness against multiple $\ell_p$ perturbations but suffers from robustness trade-offs between different threats. To address this, we employ a mixture of experts (Mo…

  2. arXiv cs.AI TIER_1 English(EN) · Sung-eui Yoon ·

    RoME：一种鲁棒的低秩专家混合模型，可抵抗多种对抗性扰动

    Multi-perturbation adversarial training (MAT) aims to achieve robustness against multiple $\ell_p$ perturbations but suffers from robustness trade-offs between different threats. To address this, we employ a mixture of experts (MoE) to route different threats through distinct mod…

相关实体

相关话题