PulseAugur
中
实时 21:18:16
English(EN) SHIELD: Secure Hypernetworks for Incremental Expansion Learning Defense

SHIELD框架提供强大的持续学习能力以抵御对抗性攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SHIELD，一个用于在对抗条件下进行鲁棒持续学习的新型框架。该系统集成了区间边界传播（Interval Bound Propagation）和超网络架构，能够高效地生成特定任务的参数，而无需重放缓冲区。SHIELD还采用了Interval MixUp，一种保证认证鲁棒性和更平滑决策边界的训练策略。评估表明，在对抗强对抗性攻击的基准测试中，SHIELD的表现优于现有方法，为对抗环境中的实际持续学习带来了显著的进步。 AI

影响 增强了在对抗环境中顺序学习的AI系统的安全性和效率。

排序理由 这是一篇描述新框架和持续学习方法的学术论文。[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) · Patryk Krukowski, {\L}ukasz Gorczyca, Piotr Helm, Kamil Ksi\k{a}\.zek, Przemys{\l}aw Spurek ·

    SHIELD: Secure Hypernetworks for Incremental Expansion Learning Defense

    arXiv:2506.08255v4 Announce Type: replace-cross Abstract: Continual learning under adversarial conditions remains an open problem, as existing methods often compromise either robustness, scalability, or both. We propose a novel framework that integrates Interval Bound Propagation…

相关实体

相关话题