Articoli più recenti per Attacchi Avversariali

Questo studio analizza la distribuzione delle immagini usando modelli generativi per una migliore riconoscibilità.

NatLogAttack migliora il testing avversariale dei modelli linguistici usando la logica naturale.

Esplorare le sfide e le difese nell'apprendimento automatico avversariale quantistico.

Esaminando come gli attacchi a una sola classe possano ingannare i modelli di deep learning.

Un nuovo metodo migliora gli attacchi avversari alle reti neurali profonde usando cambiamenti semantici.

Questo articolo esamina i rischi di sicurezza dei sistemi di Monitoraggio del Carico Non Intrusivo.

Nuovi metodi migliorano l'allenamento contro attacchi avversari concentrandosi sulle vulnerabilità degli esempi.

Esaminando i punti di forza e di debolezza del split learning nella privacy dei dati.

Esaminando i rischi e le sfide di spiegabilità degli attacchi avversariali sui modelli di intelligenza artificiale.

Un approccio nuovo per affrontare le vulnerabilità nei classificatori misti.

Il deep learning affronta seri rischi da attacchi adversarial che sviando i sistemi.

Esaminando le caratteristiche e i rischi di sicurezza dei modelli on-device nelle app iOS.

Nuovo metodo migliora gli esempi avversariali contro le vulnerabilità dei modelli linguistici.

Indagare le vulnerabilità delle DNN contro il rumore avverso nel denoising delle immagini.

Uno studio su SCS rispetto ai tradizionali strati convoluzionali nella classificazione delle immagini.

Nuovo metodo migliora gli attacchi avversari mantenendo i parametri di prestazione.

Esplora strategie per migliorare la condivisione delle informazioni in grandi reti.

Un nuovo metodo migliora la classificazione delle immagini combinando più compiti di auto-supervisione.

Esaminando le sfide e le difese contro gli attacchi avversariali su nuvole di punti 3D.

La ricerca mostra come imitare la visione umana possa rendere le reti neurali profonde più forti contro gli attacchi.

Nuovi metodi migliorano la resistenza dei sistemi di rilevamento degli oggetti ai cambiamenti avversi.

Esaminare le minacce rappresentate dagli attacchi ostili ai sistemi di intelligenza artificiale.

Nuovi metodi per proteggere l'apprendimento federato dagli attacchi mantenendo la privacy degli utenti.

Concentrarsi sulla scelta dei dati di addestramento può rafforzare i sistemi di classificazione dei nodi.

Nuove tecniche migliorano l'affidabilità degli strumenti di imaging medico contro le alterazioni dannose dei dati.

Esplora l'impatto degli attacchi avversariali sui sistemi di apprendimento per rinforzo multi-agente.

DyNNs offrono un'elaborazione efficiente e prestazioni solide contro attacchi avversariali.

Esaminare come la compressione dei modelli influisca sulle difese contro gli attacchi avversari.

Un nuovo framework migliora l'affidabilità dei modelli di deep learning contro cambiamenti sottili.

Esaminando come gli attacchi avversari influenzano DeepReceiver nei sistemi di comunicazione senza fili.

La ricerca evidenzia nuovi modi per migliorare le difese dei modelli contro attacchi avversari.

I ricercatori svelano come il malware può ingannare gli antivirus con attacchi furbi.

Un nuovo metodo migliora la robustezza delle CNN Mixture of Experts contro gli input avversari.

Un nuovo framework migliora l'efficacia degli attacchi avversariali sui modelli di codice.

Esaminando i pericoli rappresentati dagli attacchi avversariali sui modelli di immagini e testo.

Esaminare come le Reti Neurali Causali migliorano la resilienza agli attacchi avversari.

Quest'articolo esplora il ruolo dei Transformers nel ripristino delle immagini e le loro vulnerabilità agli attacchi avversari.

Usare la perplessità per identificare input rischiosi nei modelli linguistici.

Esaminando i rischi legati ai modelli di visione computerizzata e alla loro efficacia.

Presentiamo un nuovo metodo per migliorare le difese del modello contro gli input avversari.