一篇新的调查论文研究了通过利用 Vision Transformer(ViT)的输入自适应推理机制来降低其效率的对抗性攻击。这些攻击旨在增加计算负载,同时不显著影响准确性。该论文在 A-ViT、ATS 和 AdaViT 等各种令牌剪枝框架上比较了两种此类攻击:SlowFormer 和 DeSparsify,使用了 GFLOPs、准确率损失和攻击成功率等指标。理解这些漏洞对于开发轻量级对策以在资源受限环境中部署至关重要。 AI
影响 强调了高效 AI 模型推理中的漏洞,需要强大的防御措施以确保安全部署。
排序理由 该集群包含一篇关于 Vision Transformer 对抗性攻击研究的调查论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →