Derniers articles pour Robustesse

Une nouvelle méthode améliore à la fois la précision et la robustesse des modèles d'apprentissage profond.

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

Des chercheurs s'attaquent aux défis d'estimation de profondeur avec de nouvelles méthodes robustes.

Une nouvelle méthode vérifie la propriété des modèles DRL pour éviter le vol.

Présentation de SAP-sLDA pour une meilleure classification de texte et expérience utilisateur.

Une nouvelle méthode améliore la performance des DNN pour des applications concrètes.

Examiner comment les méthodes SSL fonctionnent sous différentes conditions d'image.

Cette étude renforce la robustesse de l'apprentissage profond grâce à une sélection dynamique de modèles.

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

MSECNet améliore la précision et la vitesse d'estimation des normales dans les nuages de points 3D.

Découvre comment la détection mmWave change la communication et le suivi de la santé.

Cet article explore des méthodes de détection de communautés qui se chevauchent pour lutter contre la manipulation des réseaux.

Une nouvelle couche renforce la résistance des DNN aux changements subtils d'entrée.

Cet article parle de la nécessité d'avoir de meilleures méthodes d'évaluation pour les classificateurs d'apprentissage profond.

L'algorithme rSVDdpd offre des analyses de données fiables même en présence de valeurs aberrantes et de bruit.

DFM-X améliore les réseaux de neurones en s'attaquant à l'apprentissage par raccourci grâce à des insights sur les fréquences.

Cet article traite de l'amélioration des performances des modèles d'IA face aux défis des données inconnues.

Cette étude montre les avantages du SGD en termes de robustesse par rapport aux méthodes d'entraînement adaptatif.

De nouvelles défenses visent à protéger les modèles d'apprentissage automatique contre les attaques de données nuisibles.

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

Une étude révèle des vulnérabilités dans les modèles de langage mis à jour face aux attaques adversariales.

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

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

Évaluer la capacité des LLM à détecter des instructions nuisibles dans les demandes des utilisateurs.

Ce cadre allie équité et robustesse pour des systèmes d'IA responsables.

SAM améliore la correspondance des caractéristiques en prenant en compte les relations de groupe dans les images.

Utiliser des méthodes avancées pour améliorer la sélection des donateurs pour une meilleure analyse d'impact des politiques.

LEAP améliore les tests adversariaux pour les logiciels de traitement du langage naturel.

Les SDEs graphiques améliorent la précision des modèles en intégrant du hasard dans l'analyse des données.

Une nouvelle méthode améliore l'analyse des modèles statistiques pour des ensembles de données complexes.

Cet article met en avant des inquiétudes sur la solidité des contrôleurs de réseaux neuronaux.

Utiliser des données réelles et générées pour améliorer les performances du modèle QA.

Une étude sur comment l'architecture influence la calibration des modèles dans les réseaux de neurones.

Une nouvelle méthode améliore l'adaptabilité et la robustesse des systèmes de traduction dans les domaines à faibles ressources.

GF-RLS offre une meilleure adaptabilité et stabilité dans les méthodes d'estimation des paramètres.

Un aperçu des méthodes pour récupérer des matrices de faible rang à partir de données incomplètes.

Apprends des techniques pour simplifier des systèmes passifs complexes tout en gardant les propriétés importantes.

L'entraînement adversarial renforce la résistance des modèles de machine learning à la manipulation des entrées.

La réalité augmentée mobile mélange le monde digital et physique pour des expériences captivantes.

Cet article parle des façons d'améliorer la fiabilité des modèles d'IA dans des environnements changeants.