PulseAugur
中
实时 07:35:45
English(EN) Certified Robustness from Approximate Gaussian Mixture Structures in Pretrained Latent Spaces

新框架使用近似潜在结构实现可认证的分类器鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，通过利用数据表示中的潜在结构来创建可认证鲁棒的深度学习分类器。他们的方法证明，即使在预训练模型中存在近似的高斯混合结构，也能产生具有明确准确性下降界限的鲁棒分类器。该方法允许在没有严格分布假设的情况下实际使用现有的预训练模型，在 CIFAR-10 和 ImageNet 等基准测试中实现了具有竞争力的认证准确率，同时保持了强大的干净性能。 AI

影响 通过利用现有模型实现鲁棒分类器，增强了关键应用中人工智能安全的形式化保证。

排序理由 该集群包含一篇详细介绍改进人工智能模型鲁棒性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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 cs.AI TIER_1 English(EN) · Konstantinos Emmanouilidis, Tianjiao Ding, Nghia Nguyen, Nicolas Loizou, Ren\'e Vidal ·

    Certified Robustness from Approximate Gaussian Mixture Structures in Pretrained Latent Spaces

    arXiv:2605.25352v1 Announce Type: cross Abstract: Deep learning models are vulnerable to adversarial perturbations, raising important concerns for safety-critical deployment. Empirical defenses can achieve strong robustness in practice, but lack formal guarantees, motivating the …

相关实体

相关话题