研究人员开发了一种名为基于一致性模型的对抗性净化（CMAP）的新方法，用于防御深度神经网络免受对抗性攻击。CMAP通过优化预训练一致性模型潜在空间内的向量，从受扰动的样本中恢复干净数据。该方法结合了感知一致性恢复机制、潜在分布一致性约束和潜在向量一致性预测方案，以增强鲁棒性并保持数据完整性。在CIFAR-10和ImageNet-100数据集上的实验表明，CMAP在提高对强对抗性攻击的鲁棒性方面是有效的，同时保持了高自然准确率。 AI
影响 该方法通过防御对抗性攻击，可以提高AI模型在实际应用中的可靠性和安全性。
排序理由 该集群包含一篇详细介绍提高AI模型鲁棒性新方法的 ist research paper。 [lever_c_demoted from research: ic=1 ai=1.0]
- CIFAR-10
- Consistency Model-based Adversarial Purification
- Deep Neural Networks
- ImageNet-100
- Mingkui Tan
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
