Probabilistic Robustness Assessment of Pre-Northridge Steel Moment Resisting Frames
PulseAugur coverage of Probabilistic Robustness Assessment of Pre-Northridge Steel Moment Resisting Frames — every cluster mentioning Probabilistic Robustness Assessment of Pre-Northridge Steel Moment Resisting Frames across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型对抗性攻击针对基于深度强化学习的入侵检测系统
研究人员开发了新的通用对抗性扰动（UAP）生成方法，专门用于降低基于深度强化学习（DRL）的入侵检测系统（IDS）的性能。这些UAP旨在通过在各种网络流量类型上应用单一的、与输入无关的扰动来降低检测准确性。提出的基于概率鲁棒性（PR）的UAP将显式的PR驱动目标整合到UAP生成中，而高级版本PX-UAP则利用可解释人工智能（XAI）在现实约束下塑造扰动。实验表明，PX-UAP在攻击有效性方面优于现有的UAP方法。
-
揭示用于AI在医学影像中可信度的新指标
研究人员引入了概率鲁棒性（PR）作为评估医学图像分类中深度学习模型可信度的更实用方法。该方法与现有的对抗鲁棒性（AR）方法形成对比，后者侧重于最坏情况。该研究在MedMNIST v2数据集上评估了常见的深度学习模型，并采用了自然扰动设置，提供了对模型可信度的统计学基础视角，旨在支持更安全的临床部署。
-
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。
-
新的基准和框架推动了人工智能模型鲁棒性评估的进步
研究人员推出了 PRBench，这是一个旨在标准化深度学习模型概率鲁棒性评估的新基准。该基准在准确性、鲁棒性、训练效率和泛化误差等多个指标上比较了各种对抗性训练（AT）和针对性概率鲁棒性（PR）的训练方法。研究结果表明，AT 方法在提高对抗性和概率鲁棒性方面更为通用，而 PR 目标方法则提供了更好的泛化能力和干净准确性。此外，一个使用离散连续性模（DMOC）的新框架提供了一种数据驱动的方法来评估神经网络的鲁棒性，超越了传统的 Lips…