研究人员推出了一种名为QCLR的新型模块，旨在增强自监督骨骼动作识别模型在对抗性攻击下的鲁棒性。QCLR在编码管道中采用双层量化方案来破坏梯度传播并吸收扰动，从而提高对各种攻击类型的抵抗力。该模块还结合了注意力引导的多方面量化策略，以保持表示质量和分类准确性。 AI
影响 增强了AI模型对抗攻击的韧性，有望提高在实际应用中的可靠性。
排序理由 该条目是一篇学术论文，详细介绍了一种改进AI模型鲁棒性的新技术（QCLR模块）。[lever_c_demoted from research: ic=1 ai=1.0]
- Adversarial Attacks and Defense Mechanisms to Improve Robustness of Deep Temporal Point Processes
- arXiv
- contrastive learning
- Gradient-based white-box adversarial attacks
- Gradient-free black-box adversarial attacks
- Hugging Face
- Human Action Recognition
- QCLR
- quantization
- self-supervised learning
- Skeleton-Based Human Action Recognition With Global Context-Aware Attention LSTM Networks
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
