Fast Gradient Sign Method
PulseAugur coverage of Fast Gradient Sign Method — every cluster mentioning Fast Gradient Sign Method across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 $l^p$ 范数解决方案解决了对抗性训练中的灾难性过拟合问题
研究人员开发了一种新方法来解决对抗性训练中的灾难性过拟合问题，这是一个常见问题，模型在这种问题下对单步攻击具有鲁棒性，但却无法应对更复杂的攻击。所提出的解决方案侧重于控制 $l^p$ 训练范数，其灵感来源于 $l^2$ 范数比 $l^{\infty}$ 范数更不容易出现此问题的观察结果。通过使用参与率和熵度量来分析梯度集中度，创建了一种自适应 $l^p$-FGSM 攻击，该攻击动态调整训练范数。据报道，这种方法在不需要额外正则化或噪声…
-
P2P借贷模型对抗性训练在不同攻击类型下表现出混合鲁棒性
研究人员评估了在同行借贷（P2P lending）中使用的机器学习模型在面对各种对抗性攻击时的鲁棒性。研究发现，虽然对抗性训练能显著提高模型对特定训练攻击的防御能力，但这种鲁棒性并不总是能很好地迁移到不同类型的攻击上，特别是非基于梯度的攻击。研究结果表明，混合攻击对抗性训练在抵御各种操纵方法方面提供了最均衡的防御，这对于有效的信用模型治理至关重要。
-
新的混合防御增强了网络入侵检测系统对对抗性攻击的抵抗能力
研究人员开发了一种混合防御机制，以保护网络入侵检测系统（NIDS）免受对抗性攻击。该方法结合了对抗性训练（AT）和高斯数据增强（GDA），以减轻快速梯度符号法（FGSM）和Carlini & Wagner（C&W）攻击的影响。所提出的方法显著提高了NIDS的准确性，从攻击后的低点0.2649（FGSM）和0.4961（C&W）分别提高到96.57%和89.20%，证明了其在增强NIDS鲁棒性方面的有效性。
-
新型SHIELD-IDS增强了机器学习入侵检测系统对对抗性攻击的防御能力
研究人员开发了SHIELD-IDS，一个增强型入侵检测系统，旨在对抗机器学习模型的对抗性攻击。该系统将XGBoost和LightGBM等梯度提升模型集成到一个多样化的集成模型中，并由三层防御机制保护。实验表明，SHIELD-IDS在干净数据上保持了超过99%的检测准确率，并对常见的对抗性攻击方法表现出更强的鲁棒性。