关键词adversarial transformation network
搜索结果 - 2
- 时间序列的对抗性攻击
本文提出了利用敌对性转换网络(ATN)攻击不同时间序列分类模型的方法,并在多个数据集上展示了攻击的成功。最后,作者建议未来的时间序列分类模型研究者将敌对数据样本纳入训练集以提高模型的鲁棒性和考虑模型的抗干扰能力作为评估指标。
- 对抗变换网络:学习生成对抗性样本
本文提出了一种名为对抗变换网络(ATN)的新方法,其快速执行并提供出色的输出多样性,并在多个分类器上分析了其有效性。该方法旨在通过对简陋的模拟数据进行自我监督训练,生成最小化修改分类器输出的对抗性示例,同时限制新分类器以匹配对抗性目标类别。