PulseAugur
中
实时 01:21:54
English(EN) Certified Causal Defense with Generalizable Robustness

新框架GLEAN通过因果防御增强机器学习模型鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的框架GLEAN，旨在增强机器学习模型在分布偏移跨不同数据域场景下的鲁棒性，以抵御对抗性攻击。GLEAN整合了一个可认证的因果因素学习组件，以区分因果关系和虚假相关性，从而减轻后者对模型鲁棒性的负面影响。该框架还采用了一种因果认证防御策略，以保护免受针对潜在因果因素的攻击。在基准数据集上的实验结果表明，GLEAN在跨不同数据域泛化认证鲁棒性方面表现优越。 AI

排序理由 这是一篇研究论文，详细介绍了一种用于机器学习鲁棒性的新框架。[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 →

新框架GLEAN通过因果防御增强机器学习模型鲁棒性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yiran Qiao, Yu Yin, Chen Chen, Jing Ma ·

    具有可泛化鲁棒性的认证因果防御

    arXiv:2408.15451v3 Announce Type: replace Abstract: While machine learning models have proven effective across various scenarios, it is widely acknowledged that many models are vulnerable to adversarial attacks. Recently, there have emerged numerous efforts in adversarial defense…

相关实体

相关话题