Últimos artículos para Ataques adversariales

Un estudio sobre cómo mejorar las CNNs usando etiquetas parciales y modelos de ataque adversarial.

Este artículo revisa las debilidades de los modelos multimodales frente a varios tipos de ataques.

Explorando las amenazas que suponen los ataques adversariales en la imagenología médica.

MALT mejora la eficiencia y el éxito de los ataques adversariales en modelos de clasificación de imágenes.

Este artículo revisa métodos para proteger los sistemas de calidad de imagen contra ataques adversariales.

Un nuevo método mejora la resiliencia de los VAE ante manipulaciones de datos complicadas.

Examinando vulnerabilidades en transformadores de visión y modelos de downstream a través de ataques de transferencia.

Examinando vulnerabilidades y defensas en modelos de difusión para una generación de contenido segura.

Explorando el impacto de ataques adversariales en la explicabilidad del aprendizaje profundo.

Nuevos métodos mejoran la resistencia de los modelos de aprendizaje profundo a cambios adversariales.

Abordando los riesgos en imágenes de MRI en el diagnóstico de la enfermedad de Alzheimer a través de métodos de detección avanzados.

Los ataques de barajado revelan vulnerabilidades en las evaluaciones de equidad de la IA usando métodos como SHAP.

Este artículo habla sobre cómo mejorar la robustez de los modelos de aprendizaje automático cuántico contra ataques adversarios.

Un nuevo enfoque busca mejorar la resiliencia del aprendizaje activo frente a ataques.

Un nuevo método apunta a sistemas de autenticación facial múltiples de manera eficiente.

Un nuevo método usa maquillaje para mejorar la privacidad en los sistemas de reconocimiento facial.

Abordando los desafíos de los ataques adversariales en redes neuronales de series temporales.

Nuevos métodos mejoran la defensa de los modelos de machine learning contra ataques adversariales.

Nuevo método usa IWMF para mejorar el reconocimiento facial contra ataques adversariales.

Un nuevo método de ataque socava los sistemas de detección de deepfakes.

Mejorando los métodos de detección de botnets a través del aprendizaje automático y estrategias de defensa adversarial.

Aprende cómo el uso de marcas de agua protege los modelos de IA y apoya los derechos de los creadores.

Examinando nuevos métodos para mejorar la eficiencia y seguridad de las redes neuronales.

La investigación muestra que los datos de EEG pueden ayudar a las redes neuronales artificiales a resistir ataques adversariales.

Un método que mejora la CNN para enfocarse en áreas clave de la imagen para tomar mejores decisiones.

Te presento PIP, una herramienta para detectar ataques adversariales en LVLMs.

Los avances en IA hacen que el audio falso sea común, lo que genera la necesidad de detección.

Una nueva medida para fortalecer los Sistemas de Detección de Intrusiones en Redes contra ataques adversariales.

Explorando Redes Neuronales Dispersas y su rendimiento con datos de entrenamiento difíciles.

XSub explota la IA explicable para mejorar los ataques adversariales, lo que genera preocupaciones de seguridad.

Examinando ataques eficientes en la Clasificación Automática de Modulación usando la Proporción Áurea.

Un nuevo método para mejorar los modelos de deep learning contra ataques adversariales.

Abordando los riesgos de seguridad en la IA generativa a través de equipos rojos y azules.

Explorando el equilibrio entre amenazas adversariales y medidas proactivas en el aprendizaje automático.

Explorando las vulnerabilidades en el reconocimiento facial causadas por ataques de marcas de agua adversariales.

Evaluando el rendimiento de la IA usando análisis de supervivencia para fiabilidad frente a desafíos.

SWE2 mejora la detección de discursos de odio en redes sociales con técnicas avanzadas.

Examinando el papel de los clasificadores, especialmente los modelos CVFR, en el aprendizaje automático.

Una nueva estrategia de entrenamiento mejora la resistencia de los sistemas de visión 3D a entradas engañosas.

Un nuevo método mejora la precisión en el conteo de multitudes y la fiabilidad del modelo.