PulseAugur
中
实时 08:02:03
English(EN) Improving the Robustness/Accuracy Tradeoff Against Adversarial Attacks Using Information Bottleneck Distillation Through Dual Teachers

新的双教师方法提高了深度神经网络对抗攻击的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，以提高深度神经网络在对抗攻击下的鲁棒性和准确性。该方法扩展了信息瓶颈蒸馏（IBD）框架，通过引入一个在未损坏数据上训练的额外“干净教师”模型，以及一个在对抗性数据上训练的现有“鲁棒教师”模型。在CIFAR-10和CIFAR-100数据集上的实验结果表明，这种双教师蒸馏方法在干净输入上提高了分类准确性，同时保持了在对抗性样本上的性能，优于以前的IBD方法，并与最先进的技术相媲美。 AI

影响 增强了深度学习模型在对抗性环境中的安全性和可靠性。

排序理由 学术论文，详细介绍了一种提高深度神经网络鲁棒性的新方法。[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 →

新的双教师方法提高了深度神经网络对抗攻击的鲁棒性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Vincent Ryusuke Takahashi, Yoshinari Takeishi, Jun'ichi Takeuchi, Kave Salamatian ·

    利用双教师信息瓶颈蒸馏提高对抗攻击下的鲁棒性/准确性权衡

    arXiv:2607.27737v1 Announce Type: new Abstract: Deep neural networks (DNNs) have achieved remarkable success in classical machine learning problems. However, they are known to be vulnerable to adversarial attacks. Countermeasures proposed in the literature, notably Information Bo…

相关实体

相关话题