三篇新的 arXiv 论文探讨了机器学习模型的高级对抗性攻击和防御策略。第一篇论文介绍了一种用于线性预测模型的基于检测器的切换模型,以对抗隐蔽攻击,在干净数据和受攻击数据上的性能之间进行权衡。第二篇论文提出了连续对抗流模型,该模型使用学习到的判别器来提高样本质量并在图像生成任务上取得更好的结果。第三篇论文提出了一种新型对抗性样本,它们与原始数据有显著不同,但产生相同的模型输出,证明了它们在样本空间中的广泛分布。 AI
影响 这些论文促进了对机器学习模型对抗性漏洞的理解和缓解,这对于安全部署人工智能至关重要。
排序理由 该集群包含三篇发表在 arXiv 上的学术论文,详细介绍了对抗性机器学习方面的新研究。
- arXiv
- Hugging Face
- NI-FGM
- NI-FGSM
- NMI-FGM
- NMI-FGSM
- Xingyang Nie
- Adversarial Training of Linear Models under Stealthy Attacks
- alphaXiv
- A New Type of Adversarial Examples
- CatalyzeX
- Continuous Adversarial Flow Models
- DagsHub
- Gotit.pub
- IArxiv
- ImageNet
- ScienceCast
- Shanchuan Lin
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →