Articoli più recenti per Attacchi Avversariali

Esplorare le minacce degli attacchi avversari nell'imaging medico.

MALT migliora l'efficienza e il successo degli attacchi avversariali nei modelli di classificazione delle immagini.

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

Un nuovo metodo aumenta la resilienza dei VAE contro manipolazioni difficili dei dati.

Esaminando le vulnerabilità nei transformer visivi e nei modelli downstream attraverso attacchi di trasferimento.

Esaminare vulnerabilità e difese nei modelli di diffusione per una generazione di contenuti sicura.

Esplorando l'impatto degli attacchi avversariali sull'interpretabilità nel deep learning.

Nuovi metodi migliorano la resistenza dei modelli di deep learning ai cambiamenti avversi.

Affrontare i rischi delle immagini MRI nella diagnosi dell'Alzheimer attraverso metodi di rilevamento avanzati.

Gli attacchi di shuffling rivelano vulnerabilità nelle valutazioni di equità dell'IA utilizzando metodi come SHAP.

Questo articolo parla di come rendere i modelli di apprendimento automatico quantistico più robusti contro attacchi avversi.

Un nuovo approccio punta a migliorare la resilienza dell'apprendimento attivo agli attacchi.

Un nuovo metodo mira a sistemi di autenticazione facciale multipla in modo efficiente.

Un nuovo metodo usa il trucco per migliorare la privacy nei sistemi di riconoscimento facciale.

Affrontare le sfide degli attacchi avversari sulle reti neurali per serie temporali.

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

Nuovo metodo usa IWMF per migliorare il riconoscimento facciale contro attacchi avversariali.

Un nuovo metodo di attacco mina i sistemi di rilevamento dei deepfake.

Migliorare i metodi di rilevamento dei botnet attraverso l'apprendimento automatico e strategie di difesa avversaria.

Scopri come il watermarking protegge i modelli di intelligenza artificiale e supporta i diritti dei creatori.

Esaminando nuovi metodi per migliorare l'efficienza e la sicurezza delle reti neurali.

La ricerca dimostra che i dati EEG possono aiutare le reti neurali artificiali a resistere agli attacchi avversariali.

Un metodo che migliora la rete neurale convoluzionale concentrandosi sulle aree chiave dell'immagine per prendere decisioni migliori.

Presentiamo PIP, uno strumento per rilevare attacchi avversari nei LVLM.

I progressi nell'IA rendono comuni gli audio falsi, spingendo a cercare modi per rilevarli.

Una nuova misura per potenziare i sistemi di rilevamento delle intrusioni in rete contro attacchi avversari.

Esplorando le Sparse Neural Networks e le loro performance con dati di addestramento difficili.

XSub sfrutta l'AI spiegabile per migliorare gli attacchi avversari, sollevando preoccupazioni per la sicurezza.

Esaminare attacchi efficienti sulla Classificazione Automatica di Modulazione usando il Rapporto Aureo.

Un nuovo metodo per migliorare i modelli di deep learning contro attacchi avversari.

Affrontare i rischi di sicurezza nell'AI generativa attraverso il red e blue teaming.

Esplorare l'equilibrio tra minacce avversarie e misure proactive nel machine learning.

Esplorare le vulnerabilità nel riconoscimento facciale causate da attacchi di watermarking avversariale.

Valutare le prestazioni dell'IA usando l'analisi di sopravvivenza per l'affidabilità contro le sfide.

SWE2 migliora il riconoscimento dell'odio sui social media con tecniche avanzate.

Esaminando il ruolo dei classificatori, in particolare i modelli CVFR, nel machine learning.

Una nuova strategia di allenamento migliora la resistenza dei sistemi di visione 3D a input fuorvianti.

Nuovo metodo migliora l'accuratezza nel conteggio delle folle e l'affidabilità del modello.

Una panoramica dei metodi tradizionali e di deep learning nella sicurezza delle reti.

Un nuovo approccio migliora l'affidabilità nei sistemi di risposta alle domande.