Derniers articles pour Attaques adversariales

Un cadre pour évaluer la robustesse des réseaux de neurones bayésiens face aux attaques adversariales.

Cette étude analyse la distribution des images en utilisant des modèles génératifs pour une meilleure reconnaissance.

NatLogAttack améliore les tests adversariaux des modèles de langage en utilisant la logique naturelle.

Explorer les défis et les défenses dans l'apprentissage automatique quantique adversarial.

Examiner comment les attaques à classe unique peuvent tromper les modèles d'apprentissage profond.

Une nouvelle méthode améliore les attaques adversariales sur les réseaux de neurones profonds en utilisant des changements sémantiques.

Cet article examine les risques de sécurité des systèmes de surveillance de charge non intrusifs.

De nouvelles méthodes améliorent l'entraînement contre les attaques adversariales en se concentrant sur les vulnérabilités des exemples.

Examiner les forces et les faiblesses de l'apprentissage fractionné en matière de confidentialité des données.

Examiner les risques et les défis d'explicabilité des attaques adversariales sur les modèles d'IA.

Une nouvelle approche pour s'attaquer aux vulnérabilités des classificateurs mixtes.

L'apprentissage profond fait face à de sérieux risques à cause des attaques adversariales qui trompent les systèmes.

Examen des caractéristiques et des risques de sécurité des modèles sur appareil dans les applis iOS.

Une nouvelle méthode améliore les exemples adversariaux contre les vulnérabilités des modèles de langue.

Investiguer les vulnérabilités des DNN face au bruit adversarial dans le débruitage d'images.

Une étude sur les SCS par rapport aux couches de convolution traditionnelles dans la classification d'images.

Nouvelle méthode améliore les attaques adversariales tout en maintenant les métriques de performance.

Explore des stratégies pour améliorer le partage d'infos dans de grands réseaux.

Une nouvelle méthode améliore la classification d'images en combinant plusieurs tâches auto-supervisées.

Examiner les défis et les défenses contre les attaques adversariales sur des nuages de points 3D.

Des recherches montrent que reproduire la vision humaine peut renforcer les réseaux de neurones profonds contre les attaques.

De nouvelles méthodes améliorent la résistance des systèmes de détection d'objets aux changements adverses.

Examiner les menaces posées par les attaques adversariales sur les systèmes d'IA.

Nouvelles méthodes pour sécuriser l'apprentissage fédéré contre les attaques tout en préservant la vie privée des utilisateurs.

Se concentrer sur la sélection des données d'entraînement peut renforcer les systèmes de classification de nœuds.

De nouvelles techniques améliorent la fiabilité des outils d'imagerie médicale face aux altérations de données nuisibles.

Explore l'impact des attaques adversariales sur les systèmes d'apprentissage par renforcement multi-agents.

Les DyNNs offrent un traitement efficace et des performances solides face aux attaques adverses.

Examiner comment la compression des modèles affecte les défenses contre les attaques adversariales.

Un nouveau cadre améliore la fiabilité des modèles d'apprentissage profond face aux changements subtils.

Examiner comment les attaques adversariales impactent DeepReceiver dans les systèmes de communication sans fil.

La recherche met en avant de nouvelles façons d'améliorer les défenses des modèles contre les attaques adversariales.

Des chercheurs montrent comment les malwares peuvent tromper les antivirus avec des attaques astucieuses.

Une nouvelle méthode renforce la robustesse des CNNs à mélange d'experts face aux entrées adversariales.

Un nouveau cadre améliore l'efficacité des attaques adversariales sur les modèles de code.

Examiner les dangers des attaques adversariales sur les modèles d'image et de texte.

Examiner comment les réseaux de neurones causaux renforcent la résistance aux attaques adversariales.

Cet article explore le rôle des Transformers dans la restauration d'images et leurs vulnérabilités aux attaques adversariales.

Utiliser la perplexité pour identifier les entrées risquées dans les modèles de langue.

Examiner les risques liés aux modèles de vision par ordinateur et leur efficacité.