PulseAugur
中
实时 06:19:12

新框架提供鲁棒的对抗性攻击评估

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个新的框架，用于评估机器学习模型的对抗性鲁棒性，超越了单一扰动预算。该框架利用最小范数攻击集成和跨各种范数（$\ell_0$, $\ell_1$, $\ell_2$, $\ell_\infty$）的鲁棒性-扰动曲线，以提供更稳定和全面的评估。所提出的方法在可控查询预算内构建攻击集成，以近似“攻击前沿”，与传统的固定 epsilon 评估相比，提供了更系统的方法来理解模型漏洞。 AI

影响 提供了一种更稳定、可控的方法来评估模型对抗对抗性攻击的鲁棒性。

排序理由 这是一篇详细介绍对抗性鲁棒性新评估框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新框架提供鲁棒的对抗性攻击评估

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Luca Scionis, Luca Melis, Maura Pintor, Fabio Brau, Ambra Demontis, Giorgio Fumera, Fabio Roli, Battista Biggio ·

    对抗前沿：最小范数攻击集成用于鲁棒性评估

    arXiv:2607.19855v1 Announce Type: new Abstract: Adversarial robustness is commonly evaluated with predefined attack ensembles, such as AutoAttack, at a single perturbation budget $\varepsilon$ and on a selective choice of perturbation norms. We argue this formulation is fundament…

相关实体

相关话题