Articoli più recenti per Attacchi Avversariali

Questo documento parla di addestramento avversariale per classificatori di machine learning quantistico robusti.

Un nuovo approccio migliora le prestazioni del modello contro i cambiamenti di distribuzione e gli attacchi avversari.

Migliorare la robustezza contro attacchi avversari nei modelli visione-linguaggio.

Questo articolo esamina la robustezza di CLIP in diverse sfide.

Un framework proposto migliora la sicurezza per l'apprendimento federato contro attacchi avversari.

Questo articolo esamina i punti di forza e di debolezza del modello VMamba.

Uno sguardo alle minacce rappresentate dagli LLM e strategie per la difesa.

Esaminando il ruolo del deep learning nell'analisi delle immagini mediche e delle minacce avversarie.

Le reti neurali tropicali migliorano la resilienza contro gli attacchi avversari nel machine learning.

Questo articolo esamina come gli attacchi avversari alterano i concetti appresi delle CNN.

Esaminando come gli attacchi avversari influenzano le previsioni e le spiegazioni dell'AI.

Un approccio innovativo aumenta l'affidabilità dei modelli linguistici grazie a meccanismi di autoguarigione.

Capire l'impatto degli attacchi avversari sui modelli di machine learning.

Quest'articolo analizza come gli attacchi avversari compromettano i modelli di classificazione del testo.

Migliorare gli strumenti per rilevare il linguaggio dannoso negli spazi online è fondamentale per la sicurezza.

Un nuovo metodo migliora la resilienza del tracciamento degli oggetti visivi contro attacchi sottili.

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

Esplorare i fattori chiave che influenzano la robustezza contro gli attacchi avversariali nel machine learning.

Nuovo metodo rivela vulnerabilità nelle valutazioni di qualità delle immagini e dei video senza riferimento.

Esaminare la sicurezza dei PDM contro attacchi avversariali nella creazione di immagini.

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

Uno sguardo alle minacce alla sicurezza poste dai Code LLMs ottimizzati per le istruzioni.

Questo articolo parla di come migliorare le CNN sfruttando le informazioni a bassa frequenza per essere più resilienti agli attacchi avversari.

Questo studio esamina le debolezze dei modelli SER contro attacchi avversari in diverse lingue.

Box-NN migliora le prestazioni del modello contro le sfide avversarie in modo semplice ed efficiente.

Un clip audio universale può silenziare modelli ASR avanzati come Whisper.

Una nuova tecnica di potatura dei layer migliora l'efficienza e la precisione dei modelli.

Questo studio migliora la sicurezza del machine learning quantistico contro attacchi avversari tramite canali di rumore e metodi di privacy.

Questo articolo esplora le vulnerabilità nei modelli di discorso e i modi per migliorare la loro sicurezza.

Un nuovo meccanismo di difesa migliora il rilevamento degli oggetti nei droni sotto minacce avverse.

Questo studio valuta i tracker a trasformatore contro attacchi avversariali nel tracking degli oggetti.

SCRN offre un modo affidabile per identificare in modo efficace i contenuti generati dall'IA.

Esplorare le sfide degli spiegatori GNN sotto attacchi avversari in applicazioni critiche.

Nuovo metodo migliora la quantificazione dell'incertezza nei modelli addestrati in modo avversariale.

Nuovo metodo rivela vulnerabilità nei modelli di pre-addestramento Vision-Language tramite perturbazioni avversarie universali.

Il framework RC-NAS migliora i modelli di deep learning contro attacchi avversariali in modo efficace.

Nuovo metodo svela vulnerabilità nei metodi di spiegazione delle GNN.

Lo studio esamina la robustezza dei modelli di segmentazione contro attacchi avversariali nella sanità.

Un nuovo approccio migliora la robustezza dei Vision Transformers contro attacchi avversari.

Un metodo per identificare attacchi ai sistemi combinando immagini e testo.