English(EN) Geometric origin of adversarial vulnerability in deep learning

新的深度学习框架通过几何学增强对抗鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-21 04:00

已开发出一种新的几何感知深度学习框架，以解决平衡训练精度与对抗鲁棒性的挑战。该框架利用逐层局部训练来精炼内部网络表示，促进类别之间更好的分离和更平滑的特征空间。该方法通过数据依赖的统计力学和包含赫布耦合的现象学模型进行解释，使网络能够在最小化干扰的同时整合新信息。 AI

影响引入了一种新颖的方法来提高深度学习模型在对抗攻击下的安全性和可靠性。

排序理由详细介绍新深度学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yixiong Ren, Wenkang Du, Jianhui Zhou, Haiping Huang · 2026-07-21 04:00

深度学习中对抗性漏洞的几何起源

arXiv:2509.01235v2 Announce Type: replace Abstract: Balancing training accuracy and adversarial robustness has beeen a challenge since the birth of deep learning. Here, we introduce a geometry-aware deep learning framework that leverages layer-wise local training to sculpt the in…