实体
Projected Gradient Descent
Projected Gradient Descent
PulseAugur coverage of Projected Gradient Descent — every cluster mentioning Projected Gradient Descent across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
更简单的机器学习模型对对抗性攻击表现出惊人的鲁棒性
研究人员探讨了机器学习模型的架构选择如何增强其对基于梯度的对抗性攻击的鲁棒性。他们广泛的实验表明，更简单的网络设计、更少的特征和ReLU激活函数能持续降低模型的脆弱性。令人惊讶的是，基于这些原则构建的一个基础模型，在保持高检测准确率和更快训练速度的同时，其性能优于更复杂、经过对抗性训练的模型。
-
新的优化方法 Local LMO 绕过了投影
研究人员引入了 Local LMO，一种用于约束优化问题的新型无投影梯度方法。该方法用当前迭代点周围小球内的局部线性最小化步骤替换了 Frank-Wolfe 的全局线性最小化步骤。Local LMO 在各种情况下提供了与投影梯度下降相当的收敛速度，包括约束集无界的场景，并为光滑强凸函数实现了线性收敛速度。
-
新框架评估自动驾驶AI在真实世界对抗性攻击下的鲁棒性
研究人员开发了一个新的框架，用于评估自动驾驶系统在真实世界对抗性攻击下的实时鲁棒性。该方法利用真实世界的交叉路口驾驶数据，超越了纯粹的模拟测试，以捕捉关键的真实世界因素。研究比较了三种轨迹学习方法，发现架构设计对对抗性稳定性有显著影响，攻击能够引起显著的位移误差。