- 对抗性协同过滤免费
在这篇论文中，我们提出了一种名为 SharpCF 的简单而有效的方法，该方法在基本优化器上进行敌对训练的同时并不增加额外的计算成本。通过分析发现，敌对训练实际上是寻求模型参数位于最优模型参数周围，具有统一低损失值的领域，从而实现更好的普适性 - 独立分布正则化用于私密图嵌入
通过引入独立分布惩罚作为正则化项，我们提出了一种名为私有变分图自编码器（PVGAE）的新方法，特别地，我们通过使用两组编码器来学习敏感和非敏感潜在表示，同时引入了一种新的正则化方法来强制编码器的独立性，实验证明 PVGAE 在私有嵌入学习方 - 无监督领域适应的对比式双投影器
提出了一种基于对比双投影器（CBP）的新型无监督领域适应（UDA）方法，旨在通过提高特征提取器（FEs）来减少分类和领域适应中产生模糊特征的现有 UDA 方法，该方法称为 CBPUDA，通过对输入特征进行映射生成两个不同特征之间的 CBP， - 软件定义网络中的对抗深度强化学习在网络安全中的应用
该研究聚焦于利用自主攻击性方法在深度强化学习 (DRL) 中提升训练的鲁棒性，并探索在软件定义网络 (SDN) 中将对抗学习应用于 DRL 以实现自主安全性的影响。通过比较两个算法，DDQN 和 NEC2DQN（或 N2D），发现通过引入因 - ICCV学习像素级视频对应的细粒度特征
通过自我监督学习并结合对真实世界视频和合成视频的特征学习，提出了一种针对像素级对应的特征学习方法，采用对抗性学习方案增强特征的泛化能力，并采用粗到细的框架追求高计算效率，在对应任务上的实验结果表明，该方法在准确度和效率方面均优于现有方法。
- MM当措施不可靠时：面向前 $k$ 多标签学习的不可察觉的对抗性扰动
该论文提出了一种在多标签学习中能够同时迷惑视觉感知和规避度量监测的对抗性攻击方法，并通过对大规模基准数据集的实验表明其优越性。
- 对抗性深度对冲：学习无需价格过程建模的对冲策略
基于深度学习的对冲框架是一种在不完全市场中进行衍生品对冲的方法。与传统数学金融框架不同，深度对冲的优势在于其能够处理各种真实市场条件，如市场摩擦等。本研究提出一种名为对抗深度对冲的新框架，通过对抗学习训练基础资产模型，实现了学习鲁棒的对冲策 - 元学习和预测提前期
我们提出了一种元学习方法（FEML），利用来自其他数据集的样本通过对抗学习作为辅助任务来增强目标数据集的时间序列，同时展示了 FEML 可以在数据集之间进行元学习，并通过对目标数据集进行辅助样本的对抗生成学习，改善了预测性能，相较于单一任务 - 单源领域泛化的敌对贝叶斯增强
提出 Adversarial Bayesian Augmentation（ABA）算法，该算法利用对抗学习和贝叶斯神经网络生成多样化的数据增强，以解决领域泛化中缺乏多样训练数据、目标数据不可访问和领域偏移等问题，通过在多种领域上生成合成图像 - 基于自注意力的生成式对抗网络用于无监督视频摘要
本文通过引入自注意力机制和 Transformer 在视频总结中建模时间关系，以无监督的方法通过对抗性学习生成代表性摘要，并提出 SUM-GAN-AED 模型，评估结果表明，使用自我注意力机制作为帧选择机制在 SumMe 上优于现有技术，并 - 可学习的毒化样本选择策略增强后门攻击
引入了一个训练掩码，学习可选择的毒性样本，从而有效地选择对注入后门有高贡献的样本，进而加强后门攻击网络的攻击效果。
- 为什么导向式对话策略学习表现良好？理解对抗性学习及其替代方案的作用
本文介绍了一种通过分析对话策略和奖励估计器的目标函数，从而消除对抗性学习对奖励估计和对话策略学习的影响，同时保留其优势的方法，该方法在 MultiWOZ 等多域任务为导向的对话语料库上进行了检验。
- IJCAI跨领域模型压缩中通用和联合知识的提取
在跨领域模型压缩方面，我们提出了一种新颖的端到端框架，称为 Universal and joint knowledge distillation (UNI-KD)，通过对抗学习方案将源域和目标域之间的通用特征级知识和共享的对数级知识从教师模 - ICML鲁棒联邦学习的初阶元斯塔克贝格方法
本研究提出了一种基于元学习算法的不确定性环境下的联邦学习安全防御机制，该机制将对手建模为 Bayesian Stackelberg Markov game，使用 meta-SL 算法解决均衡策略，从而获得具有适应性的 FL 防御；实验证明， - MFCCGAN：一种基于 MFCC 的语音合成器，利用对抗学习实现
本文介绍了 MFCCGAN 作为一种新颖的基于对抗学习的语音合成器，其采用 MFCC 作为输入并生成原始语音波形。 经过 STOI 和 NISQA 得到的实验结果显示，我们提出的系统在可懂度、自然度和质量方面均优于 Librosa MFCC - 探索应用对抗学习进行复杂驾驶场景下的异常检测
本文研究了采用机器学习中的对抗学习技术来识别培训数据集之外的数据作为人工智能自主驾驶车辆等多种安全关键功能系统的安全度量标志，鉴于这些系统的准确性取决于训练数据的质量，并探讨了这种技术在高度复杂的驾驶情景数据集中的表现。
- CVPR跨模态知识蒸馏增强的多模态表征学习
本文介绍了一种基于多模态表示学习的学生 - 教师框架，并采用了对比学习和对抗学习等方法来优化相互信息和条件熵，以提高视频识别、检索和情感分类等多模态任务的性能。
- 基于类别关联嵌入和循环对抗生成的医学图像全局可解释学习
本研究提出了一种基于类别关联嵌入的方法来进一步优化可解释人工智能（XAI），并在医学图像分类任务中证明其有效性，该方法利用了循环对抗性学习策略，通过生成具有相同个体特征但不同类别分配的中间类别样本，优化类别特征区分度，并从对立分类的路径中提 - 对话策略优化的神经用户模拟器对抗学习
采用对抗训练的用户模拟器能够生成更加真实和多样化的用户行为数据，并用于训练对话系统中的策略，相比于最大似然的模拟器，能够显著提高对话系统的成功率。
- 基于生成对抗网络的皮损分割
使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法，可应用于皮肤癌病变的计算机辅助诊断，其精度比当前最先进的基于皮损分割的方法高出 2% 的 Dice 系数，1% 的 Jaccard 相似度，和 1% 的准确度。