Articoli più recenti per Addestramento Avversariale

Un nuovo framework migliora il completamento dei grafi di conoscenza con diversi tipi di dati.

Un nuovo approccio per migliorare le mappe di salienza basate sui gradienti per una migliore interpretazione del modello.

Un sistema migliora la privacy nella condivisione dei dati per le applicazioni di visione artificiale.

Scopri cosa sono gli attacchi avversariali e come influenzano i modelli di apprendimento automatico.

Un metodo per aumentare l'affidabilità del classificatore contro la manipolazione dei dati.

Un nuovo approccio per migliorare i modelli di deep learning contro attacchi avversariali.

Un nuovo metodo di training migliora la capacità delle reti neurali di valutare l'incertezza.

Un nuovo modello migliora il recupero delle immagini per la diagnosi della istopatologia mammaria.

Un nuovo metodo migliora le prestazioni delle reti neurali contro gli attacchi avversari.

Un nuovo metodo per migliorare l'addestramento avversariale per le reti neurali profonde.

Uno studio su come migliorare la robustezza contro gli attacchi nei modelli linguistici.

Nuovi metodi migliorano la sicurezza dei modelli linguistici mantenendo intatta la funzionalità.

AdvUnlearn migliora la sicurezza nella generazione di immagini combinando l'unlearning con l'addestramento avversariale.

Un nuovo metodo punta a migliorare la sicurezza della generazione di immagini da testo.

Uno sguardo a come gli esempi avversari sfidano i modelli di intelligenza artificiale.

Un nuovo approccio migliora l'equità nell'identificare l'odio tra diversi gruppi.

Un nuovo metodo migliora la rilevazione dei guasti nelle macchine grazie a un apprendimento delle caratteristiche migliore.

Presentiamo PART, un metodo per migliorare l'accuratezza e la robustezza dei modelli di machine learning.

Un nuovo approccio all'addestramento avversariale migliora le prestazioni e la sicurezza dei sistemi AI.

Questo articolo esamina i miglioramenti agli SSM per la resilienza contro le perturbazioni avversarie.

Presentiamo ProFeAT per migliorare la robustezza dei modelli contro gli attacchi avversariali.

ADEP punta a migliorare la sicurezza prevedendo effetti avversi da più farmaci.

Questo studio analizza i limiti di precisione e robustezza nei modelli di machine learning.

Un modo nuovo per creare dati sintetici senza preoccupazioni per la privacy.

Questo articolo parla di feature unlearning e del suo impatto sulla privacy e sull'equità nel machine learning.

Un nuovo modello affronta i pregiudizi e migliora le previsioni sui prezzi delle azioni usando dati diversi.

Nuove intuizioni sui classificatori robusti migliorano la loro capacità di resistere agli attacchi.

Combinare le reti neurali con la crittografia migliora i metodi di comunicazione sicuri.

Esaminando la vulnerabilità delle reti neurali a piccole variazioni nell'input.

Esaminare gli attacchi avversari e la robustezza del modello nella segmentazione semantica.

Esplorare rischi e strategie di difesa per i modelli di linguaggio grandi.

Nuova architettura ViT migliora la precisione resistendo alle minacce avversarie.

Questo articolo analizza i metodi per proteggere i sistemi di qualità delle immagini da attacchi avversari.

Un nuovo metodo aumenta la resilienza degli agenti RL contro i cambiamenti di input dannosi.

Un nuovo metodo migliora l'apprendimento da dati complessi usando i prossimali di Wasserstein.

L'addestramento avversariale migliora l'accuratezza del riconoscimento delle parole chiave nel parlato sintetico e reale.

Nuovi metodi migliorano il riconoscimento vocale in ambienti rumorosi.

CLAT migliora la robustezza del modello contro attacchi avversariali mantenendo l'accuratezza sulle immagini normali.

Nuovi metodi migliorano la difesa dei modelli di machine learning contro gli attacchi avversari.

Una tecnica per aiutare i robot a riprendersi dagli attacchi rimanendo conformi alla missione.