PulseAugur
中
实时 10:58:14

新框架增强AI模型对多重攻击对抗性训练的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为Calibrated Adversarial Sampling (CAS) 的新框架，以提高深度神经网络 (DNN) 对多种对抗性攻击的鲁棒性。CAS将多重攻击对抗性训练过程重新构建为多臂老虎机优化问题，通过在每次迭代中采样单一攻击来实现高效训练。这种方法平衡了探索与利用，降低了计算成本并防止了过度的参数漂移，从而实现了卓越的整体鲁棒性。 AI

影响 为训练能够抵御各种对抗性威胁的鲁棒AI模型提供了一种更高效、更稳定的方法。

排序理由 详细介绍一种改进AI模型鲁棒性新方法的学术论文。 [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 →

新框架增强AI模型对多重攻击对抗性训练的鲁棒性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Rui Wang, Zeming Wei, Xiyue Zhang, Meng Sun ·

    通过 Bandit 优化稳定多重攻击对抗训练

    arXiv:2511.12265v2 Announce Type: replace-cross Abstract: Deep Neural Networks (DNNs) remain vulnerable to diverse adversarial perturbations, motivating multi-attack adversarial training (AT) for improved robustness. However, existing methods either incur prohibitive overhead by …

相关实体

相关话题