PulseAugur
中
实时 11:35:48
English(EN) LBA: Textual Hard-Label Adversarial Attack under Low Query Budgets

新的LBA方法在低查询预算下提高了对抗性文本生成效果

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为LBA的新型基于采样的 LBA 方法，可以在低查询预算下更有效地生成对抗性文本。与关注单个位置的贪婪算法不同，LBA 通过整合先验知识和后验知识来构建高质量对抗性样本的近似分布。这种方法允许更有效的采样，并且在六个语言模型和四个数据集上的表现优于现有方法。此外，LBA 生成的文本在语义保留和可理解性方面也更佳。 AI

影响 提高了LLM的对抗性攻击生成效率和质量。

排序理由 该集群包含一篇详细介绍新的对抗性文本生成方法的 LBA 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的LBA方法在低查询预算下提高了对抗性文本生成效果

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shixin Guo, Ming Zhong, Xuhong Zhang, Dandan Zhao, Zhe Wang, Bo Zhang, Shouling Ji, Hao Peng ·

    LBA：低查询预算下的文本硬标签对抗性攻击

    arXiv:2607.14101v1 Announce Type: cross Abstract: Generating high-quality adversarial texts with low query budgets remains a challenging problem in the hard-label scenario. Most existing approaches rely on greedy algorithms, where one position in the text is selected for substitu…

相关实体

相关话题