实体
RobustBench
RobustBench
PulseAugur coverage of RobustBench — every cluster mentioning RobustBench across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新基准揭示AI模型对抗性鲁棒性的显著准确性成本
引入了一个名为VanillaBench的新基准，用于量化AI模型中与对抗性鲁棒性相关的准确性成本。研究发现，与标准模型相比，即使是最鲁棒的模型，其在干净数据上的准确性也常常显著下降，差距在4.0到21.0个百分点之间。这凸显了鲁棒性与准确性之间比通常报告的更大的权衡，这对于实际部署决策至关重要。该研究主张在未来的鲁棒性评估中，将这些参考标准模型的准确性差距作为一项标准实践来报告。
-
新的广义KL散度损失实现了最先进的鲁棒性
研究人员引入了广义Kullback-Leibler (GKL) 散度损失，这是对现有KL散度损失方法的改进。这种新的损失函数通过改进高预测分数类别的优化并减少样本偏差，解决了知识蒸馏等场景中的局限性。在CIFAR-10/100、ImageNet以及视觉-语言任务等数据集上的实验证明了GKL的有效性，在RobustBench上实现了最先进的对抗鲁棒性，并在知识蒸馏方面取得了有竞争力的性能。
-
新研究解决深度神经网络中的对抗鲁棒性问题
几篇近期研究论文探讨了增强深度神经网络对抗鲁棒性的新方法。这些研究引入了诸如结合经验和认证防御的集成方法、噪声和双边滤波器的协同使用以及用于模拟对抗不确定性的贝叶斯框架等技术。此外，一篇论文提出了一个新的分类器，该分类器在判别能力和鲁棒性之间取得平衡，而另一篇则侧重于能够处理非加性扰动的对抗净化方法。