研究人员开发了一种新颖的对抗性训练方法,通过关注模型置信度结构的变形来解决“伪攻击”问题。该方法将交叉熵和KL散度整合到混合目标中,旨在同时破坏预测准确性和分布一致性。此外,它采用几何重建来生成最大化置信度流形上距离的扰动,最优方向与费舍尔信息矩阵的特征向量对齐。实验表明,该技术提高了对抗性鲁棒性和可迁移性,尤其是在高置信度区域。 AI
影响 提高了机器学习模型的对抗性鲁棒性和可迁移性。
排序理由 该集群包含一篇学术论文,详细介绍了一种用于机器学习对抗性训练的新方法。
- arXiv
- cross entropy
- Fisher geometry
- Fisher Information Matrix
- Kullback–Leibler divergence
- confidence manifold
- Hugging Face
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →