Expectation over Transformation
PulseAugur coverage of Expectation over Transformation — every cluster mentioning Expectation over Transformation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法探测忆阻器AI硬件中的隐私风险
研究人员开发了一种名为脉冲域模型逆转（SDMI）的新方法，用于分析忆阻器脉冲神经网络（SNNs）中的隐私泄露。该技术结合了变换期望（EOT）和代理梯度，通过随机模拟行为和不可微分的脉冲动力学来优化输入。跨四个数据集的实验表明，硬件变异性并不固有地保护隐私，因为重建保真度可能随着神经元阈值扰动而增加，而权重噪声可能减少泄露。研究结果表明，忆阻器SNN中的模型逆转泄露取决于硬件状态，不能仅凭模型准确性来推断。
-
基于兼容性的对抗性样本可跨深度伪造检测器迁移
研究人员调查了对抗性样本在不同深度伪造检测器之间的迁移性，发现源模型和目标模型之间的兼容性显著影响攻击成功率。他们对60个检测器进行的受控评估显示，共享的骨干网络、架构家族、预训练方案或训练数据会导致更高的迁移率。研究还指出，跨多个源的平均攻击成功率可能会低估目标模型的脆弱性，当排除特定的兼容性因素时，多源预言机可以实现更高的成功率。
-
新型对抗性补丁UCGP利用红外视觉语言模型漏洞
研究人员开发了一个名为通用曲网格补丁（Universal Curved-Grid Patch, UCGP）的新型对抗性补丁框架，旨在利用红外视觉语言模型（IR-VLMs）的漏洞。与以往的方法不同，UCGP针对开放式IR-VLM任务，旨在通过单个可部署的伪影同时降低分类、图像描述和视觉问答的性能。该框架使用低频曲网格，并通过一种驱动表示的目标进行优化，以扰乱视觉表示空间。实验表明，UCGP能够有效降低各种架构IR-VLM的性能，并泛化到…