English(EN) ExGrad: Beyond Suppression - Explicit Clean-Gradient Subtraction in Adversarial Training

新的ExGrad方法增强了AI模型的对抗性训练

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-22 04:00

研究人员推出了一种新颖的对抗性训练方法ExGrad，旨在通过显式减去干净梯度分量来提高模型的鲁棒性。该技术从干净输入、对抗性输入和对抗性权重扰动输入构建梯度，然后利用这些梯度解决一个问题，以选择系数来优化裕度响应。在CIFAR-10、CIFAR-100和ImageNet-100等数据集上的实验表明，ExGrad可以比AWP和PGD-AT等现有方法提高干净和对抗性准确率，其性能取决于可调的“仿射半径”参数。 AI

影响引入了一种提高AI模型对抗攻击鲁棒性的新技术，有望带来更安全的AI系统。

排序理由该集群描述了在arXiv上的一篇学术论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了在arXiv上的一篇学术论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 3 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zhiyuan Ye, Xiangyu Zhou, Ji Qi, Hao Zhang, Yi Zhou · 2026-10-22 04:00

ExGrad：超越抑制——对抗性训练中的显式梯度清理减法

arXiv:2610.30018v1 Announce Type: new Abstract: Adversarial training derives updates from surrogate losses, but source-loss descent does not directly characterize an update's effect on adversarial margins. We introduce ExGrad (extrapolative gradient recomposition), which construc…

本文如何被排名

报道来源 [1]

ExGrad：超越抑制——对抗性训练中的显式梯度清理减法

相关实体

相关话题