新的NPPR指标提供了鲁棒的深度学习评估

研究人员引入了非参数概率鲁棒性（NPPR），一种用于评估深度学习模型鲁棒性的新指标。与假设已知扰动分布的先前方法不同，NPPR直接从数据中学习这种分布，在不确定性下提供了更实际的评估。开发了一种使用高斯混合模型的NPPR估计器，理论分析表明其与现有的对抗性和概率鲁棒性指标的关系。在标准数据集和各种模型架构上的实验表明，NPPR提供了更保守的鲁棒性估计。 AI

影响 引入了一个更实用的指标，用于评估模型在未知数据扰动下的安全性和可靠性。

排序理由 这是一篇详细介绍评估模型鲁棒性新指标的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• CIFAR-10
• CIFAR-100
• Gaussian Mixture Model
• Non-Parametric Probabilistic Robustness
• ResNet18
• ResNet50
• Tiny ImageNet
• VGG16
• WideResNet50
• Yi Zhang

• 论文
• 安全

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