PulseAugur
中
实时 09:41:31
English(EN) GRAPE: Guided Parameter-Space Evolution for Compact Adversarial Robustness

新的GRAPE框架提升神经网络的对抗鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的训练框架GRAPE，旨在增强神经网络的对抗鲁棒性，同时保持模型尺寸紧凑。GRAPE的独特之处在于将鲁棒模型学习视为一个演化过程，逐步暴露和优化参数，而不是从一开始就依赖固定结构。这种引导式参数空间演化方法，包括渐进式隐藏扩展和对抗性谱利用分数，在CIFAR-10上与传统的对抗训练方法相比，在鲁棒准确性方面取得了显著的改进，即使在计算预算相当且参数数量减少的情况下也是如此。 AI

影响 这项研究通过提高AI模型对对抗性攻击的抵御能力并降低计算开销，可能带来更安全、更高效的AI模型。

排序理由 该集群包含一篇学术论文，详细介绍了一种提高AI模型鲁棒性的新方法。[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) · Zhiyuan Ye (University of Science and Technology of China), Xiangyu Zhou (China Mobile), Ji Qi (China Mobile), Hao Zhang (University of Science and Technology of China), Yi Zhou (China Mobile) ·

    GRAPE: Guided Parameter-Space Evolution for Compact Adversarial Robustness

    arXiv:2606.14865v1 Announce Type: cross Abstract: Adversarial Training (AT) improves neural network robustness, but most methods train a fixed parameter space from the start. This paper asks whether the order in which parameters become optimizable can affect the final robust solu…

相关实体

相关话题