会员服务
对抗学习是一种机器学习技术，旨在通过提供欺骗性输入来欺骗模型。最常见的原因是导致机器学习模型出现故障。大多数机器学习技术旨在处理特定的问题集，其中从相同的统计分布（IID）生成训练和测试数据。当这些模型应用于现实世界时，对手可能会提供违反该统计假设的数据。可以安排此数据来利用特定漏洞并破坏结果。
Better LLM Reasoning via Dual-Play
Arxiv
0+阅读 · 11月19日
Better LLM Reasoning via Dual-Play
Arxiv
0+阅读 · 11月14日
Bilevel Models for Adversarial Learning and A Case Study
Arxiv
0+阅读 · 12月4日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 11月18日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 11月23日
C-DIRA: Computationally Efficient Dynamic ROI Routing and Domain-Invariant Adversarial Learning for Lightweight Driver Behavior Recognition
Arxiv
0+阅读 · 12月9日
Logical GANs: Adversarial Learning through Ehrenfeucht Fraisse Games
Arxiv
0+阅读 · 10月26日
DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data
Arxiv
0+阅读 · 10月21日
WP-CrackNet: A Collaborative Adversarial Learning Framework for End-to-End Weakly-Supervised Road Crack Detection
Arxiv
0+阅读 · 10月20日
Simple and Effective Specialized Representations for Fair Classifiers
Arxiv
0+阅读 · 10月13日
A Symbolic Adversarial Learning Framework for Evolving Fake News Generation and Detection
Arxiv
0+阅读 · 8月27日
Reference-free Adversarial Sex Obfuscation in Speech
Arxiv
0+阅读 · 8月4日
Pretext Task Adversarial Learning for Unpaired Low-field to Ultra High-field MRI Synthesis
Arxiv
0+阅读 · 3月7日
QFAL: Quantum Federated Adversarial Learning
Arxiv
0+阅读 · 2月28日
SEAL: Towards Safe Autonomous Driving via Skill-Enabled Adversary Learning for Closed-Loop Scenario Generation
Arxiv
0+阅读 · 2月17日
参考链接
微信扫码咨询专知VIP会员
Top