Derniers articles pour Attaques adversariales

Explorer les menaces des attaques adversariales en imagerie médicale.

MALT améliore l'efficacité et le succès des attaques adversariales dans les modèles de classification d'images.

Cet article examine des méthodes pour protéger les systèmes de qualité d'image contre les attaques adversariales.

Une nouvelle méthode renforce la résilience des VAE face à des manipulations de données compliquées.

Examiner les vulnérabilités des transformers de vision et des modèles en aval à travers des attaques de transfert.

Examen des vulnérabilités et des défenses dans les modèles de diffusion pour une génération de contenu sûre.

Explorer l'impact des attaques adversariales sur l'explicabilité dans l'apprentissage profond.

De nouvelles méthodes améliorent la résistance des modèles de deep learning aux changements adverses.

Traiter les risques des images IRM dans le diagnostic de la maladie d'Alzheimer avec des méthodes de détection avancées.

Les attaques par mélange révèlent des vulnérabilités dans les évaluations de l'équité de l'IA en utilisant des méthodes comme SHAP.

Cet article parle d'améliorer la robustesse des modèles d'apprentissage automatique quantique face aux attaques adversariales.

Une nouvelle approche vise à améliorer la résistance de l'apprentissage actif aux attaques.

Une nouvelle méthode cible efficacement plusieurs systèmes d'authentification faciale.

Une nouvelle méthode utilise du maquillage pour améliorer la vie privée dans les systèmes de reconnaissance faciale.

S'attaquer aux défis des attaques adverses sur les réseaux de neurones pour les séries temporelles.

De nouvelles méthodes améliorent la défense des modèles d'apprentissage automatique contre les attaques adversariales.

Une nouvelle méthode utilise IWMF pour améliorer la reconnaissance faciale contre les attaques adversariales.

Une nouvelle méthode d'attaque contrecarrée les systèmes de détection des deepfakes.

Améliorer les méthodes de détection de botnets grâce à l'apprentissage machine et aux stratégies de défense contre les attaques.

Apprends comment le watermarking protège les modèles d'IA et défend les droits des créateurs.

Examiner de nouvelles méthodes pour améliorer l'efficacité et la sécurité des réseaux neuronaux.

Des recherches montrent que les données EEG peuvent aider les réseaux de neurones artificiels à résister aux attaques adversariales.

Une méthode qui améliore la concentration des CNN sur les zones clés d'une image pour de meilleures décisions.

Voici PIP, un outil pour détecter les attaques adversariales dans les LVLM.

Les avancées en IA rendent l'audio truqué courant, d'où le besoin de détection.

Une nouvelle mesure pour renforcer les systèmes de détection d'intrusion réseau contre les attaques adverses.

Exploration des réseaux de neurones épars et de leur performance avec des données d'entraînement difficiles.

XSub exploite l'IA explicable pour améliorer les attaques adversariales, ce qui soulève des inquiétudes en matière de sécurité.

Examen des attaques efficaces sur la classification automatique de modulation en utilisant le rapport d'or.

Une nouvelle méthode pour améliorer les modèles de deep learning contre les attaques adversariales.

Aborder les risques de sécurité dans l'IA générative grâce au red et blue teaming.

Explorer l'équilibre entre les menaces adversariales et les mesures proactives en apprentissage automatique.

Explorer les vulnérabilités de la reconnaissance faciale dues aux attaques de watermarking adversarial.

Évaluer la performance de l'IA en utilisant l'analyse de survie pour sa fiabilité face aux défis.

SWE2 améliore la détection des discours haineux sur les réseaux sociaux grâce à des techniques avancées.

Examiner le rôle des classificateurs, surtout les modèles CVFR, dans l'apprentissage automatique.

Une nouvelle stratégie d'entraînement améliore la résistance des systèmes de vision 3D aux entrées trompeuses.

Une nouvelle méthode améliore la précision du comptage de foule et la fiabilité du modèle.

Un aperçu des méthodes traditionnelles et d'apprentissage profond en sécurité réseau.

Une nouvelle approche renforce la fiabilité des systèmes de réponse aux questions.