PulseAugur
中
实时 21:07:06

新框架提升单阶段延迟学习系统的对抗鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，以增强单阶段延迟学习（L2D）系统的对抗鲁棒性。该方法解决了 L2D 模型中的漏洞，这些模型可能被对抗性扰动操纵，从而改变预测和延迟决策。提出的方法包括形式化攻击、引入成本敏感的对抗性代理损失，并为分类和回归任务提供理论保证。实验表明，在保持干净数据性能的同时，针对各种攻击的鲁棒性得到了提高。 AI

影响 引入了一种新方法来保护混合决策系统免受对抗性攻击，有可能提高关键应用的可靠性。

排序理由 该集群包含一篇详细介绍机器学习对抗鲁棒性新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Yannis Montreuil, Letian Yu, Axel Carlier, Lai Xing Ng, Wei Tsang Ooi ·

    Adversarial Robustness in One-Stage Learning-to-Defer

    arXiv:2510.10988v2 Announce Type: replace Abstract: Learning-to-Defer (L2D) enables hybrid decision-making by routing inputs either to a predictor or to external experts. While promising, L2D is highly vulnerable to adversarial perturbations, which can not only flip predictions b…

相关实体

相关话题