PulseAugur
中
实时 23:52:38
English(EN) MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks

新研究探索用于神经网络分析的对抗性方法

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了用于理解和操纵神经网络的新方法。一种方法，对抗性依赖最小化（ADM），使用对抗性博弈来创建统计上独立的特征表示，从而提高泛化能力并防止维度坍塌。另一种方法，MiniFool，采用基于物理约束的对抗性攻击来测试神经网络在粒子物理学等科学领域的鲁棒性，并展示了其在 MNIST 和 CMS 实验数据等数据集上的适用性。 AI

影响 这些方法为分析和测试神经网络的鲁棒性提供了新途径，有望在科学应用中实现更可靠的 AI 系统。

排序理由 该集群包含两篇在 arXiv 上发表的学术论文，详细介绍了用于神经网络分析和攻击的新算法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新研究探索用于神经网络分析的对抗性方法

报道来源 [2]

  1. arXiv cs.LG TIER_1 Română(RO) · Pierre-Fran\c{c}ois De Plaen, Tinne Tuytelaars, Marc Proesmans, Luc Van Gool ·

    对抗性依赖最小化

    arXiv:2502.03227v2 Announce Type: replace Abstract: Minimally redundant representations are typically learned by minimizing feature covariance. However, covariance-based methods fail to eliminate all dependencies/redundancies, as linearly uncorrelated variables can still exhibit …

  2. arXiv cs.LG TIER_1 English(EN) · Lucie Flek, Oliver Janik, Philipp Alexander Jung, Akbar Karimi, Timo Saala, Alexander Schmidt, Matthias Schott, Philipp Soldin, Matthias Thiesmeyer, Christopher Wiebusch, Ulrich Willemsen ·

    MiniFool -- 深度神经网络中基于物理约束的最小化器对抗性攻击

    arXiv:2511.01352v2 Announce Type: replace Abstract: In this paper, we present a new algorithm, MiniFool, that implements physics-inspired adversarial attacks for testing neural network-based classification tasks in particle and astroparticle physics. While we initially developed …

相关实体

相关话题