PulseAugur
中
实时 10:41:36

新调查报告详细介绍了削弱 Vision Transformer 效率的攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的调查论文详细介绍了通过利用输入自适应机制来削弱 Vision Transformer (ViT) 效率的对抗性攻击。这些攻击，例如 SlowFormer 和 DeSparsify，旨在增加计算量而不显著影响准确性。该研究对这些攻击进行了分类，并分析了它们在 A-ViT、ATS 和 AdaViT 等各种 token-pruning 框架上的有效性。了解这些漏洞对于开发轻量级对策至关重要，尤其是在低功耗环境中部署时。 AI

影响 突出了人工智能模型效率机制中的漏洞，促使研究人员开发更强大、更轻量级的防御措施。

排序理由 该集群包含一篇在 arXiv 上发表的调查论文，详细介绍了研究结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

新调查报告详细介绍了削弱 Vision Transformer 效率的攻击

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Anadi Goyal, Nandish Chattopadhyay, Anupam Chattopadhyay, Chandan Karfa ·

    一种利用输入自适应优化来降低Vision Transformer对抗效率退化的调查研究

    arXiv:2608.05217v1 Announce Type: cross Abstract: Vision Transformers (ViTs) increasingly rely on input-adaptive inference, such as token pruning and early halting, to meet energy and latency budgets. This survey examines a recent class of adversarial efficiency degradation attac…

相关实体

相关话题