BriefGPT.xyz
Ask
alpha
关键词
adversarial inputs
搜索结果 - 26
MixTrain: 可验证鲁棒神经网络的可扩展训练
通过提出一种名为 MixTrain 的新技术,本文旨在大大提高以往可检验证训练的效率,并维持高标准的可靠性,实现了在少量训练时间内,其鲁棒性达到 95.2%,相较于现有的可检验证训练方法快 3 倍,而相对于对抗性训练快 15 倍,并且具有较
→
PDF
6 years ago
训练神经网络的强混合整数规划公式
本文提出了一个强大的混合整数编程(MIP)框架,可以用于处理高维分段线性函数,从而建立与训练好的神经网络相匹配的数学模型,并通过这些数学模型来解决图像分类的鲁棒性验证和机器学习模型的决策问题。我们的方法比文献中其他方法更加有效,并且在图像分
→
PDF
6 years ago
NIPS
对抗性样本鲁棒性的半正定松弛证明
本文提出了一种新的半定松弛办法,用于证明针对任意 ReLU 网络的鲁棒性,显示该松弛法比先前的松弛法更严格,并在三个不同的训练对象对我们的建议松弛法不感兴趣。
PDF
6 years ago
无限制的对抗样本
本研究引入了一个两人对弈的竞赛,用于评估机器学习系统的安全性和鲁棒性,针对非范数约束的对手进行研究。 防御方提交机器学习模型,试图在非对手数据上实现高准确性和覆盖率,并在对抗性输入上没有自信错误。 攻击者试图通过寻找任意的明确输入,在其高置
→
PDF
6 years ago
DLFuzz: 深度学习系统差分模糊化测试
本文提出了 DLFuzz, 第一个可引导 DL 系统暴露错误行为的差分模糊测试框架,相比于 DeepXplore 具有更高的神经元覆盖率、更高效的寻找故障输入、更小的干扰等优势。
PDF
6 years ago
ACL
高效鲁棒的基于极小上下文的文档问答
该研究探讨了答题所需的最小上下文,并提出了一种简单的句子选择器用于选择最小的句子来喂养问答模型,以实现训练和推理时间的显著减少并提高精度,并且更加鲁棒。
PDF
6 years ago
Prev
Next