data-free | BriefGPT - AI 论文速递

关键词data-free

搜索结果 - 14

ICMLDataFreeShield：无须训练数据的防御对抗攻击
最近对于对抗鲁棒性的研究依赖于丰富的训练数据，然而在现实生活中，由于安全和隐私问题，训练数据往往会被保持私密，而只有预训练权重对公众可见。因此我们对无数据对抗鲁棒性这一关键问题进行了研究，提出了 DataFreeShield 方法从数据生成
PDF11 days ago
持续语义分割研究综述：理论、挑战、方法与应用
连续学习在深度学习和人工智能系统中具有突破性意义，本文以连续语义分割为例，全面调查其问题形式、主要挑战、通用数据集、新理论和多样应用，并分类整理了当前 CSS 模型中的数据回放和无数据集两个主要分支方法，并提供了具有不同应用场景和发展趋势的
PDF8 months ago
修剪神经网络的无数据骨干微调
本文提出了一种针对深度神经网络剪枝的数据无关的微调方法，使用合成图像进行训练，并通过中间监督来模拟未剪枝网络的输出特征图。实验结果表明，该方法相对于未剪枝模型具有具有很好的性能。
PDFa year ago
面向扩散模型的准确无数据量化
本文提出了一种基于拓散模型的精确无数据后训练量化框架，用于高效图像生成。采用组内量化函数设计不同步骤的激活离散化，对最优步骤进行信息量化图像生成，旨在提高量化图像生成的泛化能力。通过实验结果表明，该方法在类似的计算成本下，比扩散模型的最新后
PDFa year ago
ECCV基于通道 Lipschitz 稳定性的无数据后门移除
本文提出了一种基于通道 Lipschitz 常数的网络修剪方法，通过计算权重矩阵可直接发现潜在的后门通道，在无需数据的情况下修复受感染 DNN，结果表明该方法不仅超快，而且即使在不选择剪枝阈值的情况下也是非常稳健的，并且在主流防御方法中具有
PDF2 years ago
LeRaC：学习率课程
本文提出了一种名为 Learning Rate Curriculum（LeRaC）的课程学习方法，使用不同的学习率来创建数据 - free 课程，在课程学习的初始训练时期，将更高的学习率分配给靠近输入的神经层，逐渐降低学习率。为了实验验证
PDF2 years ago
ICLRSQuant: 基于对角 Hessian 近似的即时数据无关量化
本篇论文提出了一种名为 SQuant 的实时数据无需模型压缩框架，采用三对角线子项目组合构成新颖的无数据最优化目标解算法，同时设计了一个有效的算法来进一步减少目标求解的计算复杂度。实验结果表明，SQuant 不需要微调和合成数据集，可以将数
PDF2 years ago
MEGEX：基于梯度的可解释人工智能无数据模型提取攻击
本文提出了 MEGEX，针对一种梯度可解释人工智能的数据自由模型提取攻击。攻击者使用解释结果来训练生成模型以减少查询次数，可以在不准备输入数据的情况下成功窃取训练好的模型。实验表明，在 SVHN 和 CIFAR-10 数据集上，给定 200
PDF3 years ago
异构联邦学习的零数据知识蒸馏
该研究提出了一种无需原始数据即可解决异构 Federated Learning 问题的新方法，通过使用轻量级生成器来集成用户信息以调控本地训练，并在实验中表现出了更好的泛化能力。
PDF3 years ago
ICLR无法蒸馏：制作一个不能教授学生的恶毒老师
本文提出并研究了一种名为 Nasty Teacher 的概念，即一种特殊训练的教师网络，可以显著降低通过模仿它学到的学生模型的性能。我们提出了一个简单而有效的算法来构建 Nasty Teacher，称为自我破坏知识蒸馏，通过对数个数据集的实
PDF3 years ago
无数据模型提取
该研究提出了一种基于无数据的知识迁移技术进行模型抽取的方法，解决了模型抽取攻击需要训练数据集的限制，并在黑盒模型中通过逼近梯度和选择合适的损失函数，实现了对珍贵模型的精准复制。
PDF4 years ago
CVPR基于对抗知识蒸馏的无数据量化网络
本文提出了一种无需数据的对抗知识蒸馏，通过合成数据来实现数据自由的网络量化，包括多个生成器和多个学生的多样化对抗样本，实现了 (wide) residual networks 和 MobileNet 在 SVHN、CIFAR-10、CIFA
PDF4 years ago
CVPR基于 Group-Stack Dual-GAN 的无数据知识融合
本文提出了一种无数据训练的知识组合策略，通过构建群堆生成对抗网络来生成多任务学生网络，用于多标签分类等任务，与一些完全受监督方法相比，该方法在不使用任何训练数据的情况下取得了惊人的竞争结果。
PDF4 years ago
ECCVAsk, Acquire, and Attack: 使用类别印象生成无数据对抗样本
研究发现，深度学习模型容易受到特定输入噪声影响，称为对抗扰动。此外，存在着无需输入数据样本即可影响大多数输入样本的通用对抗扰动。本文针对数据无法获取的情况，提出一种使用类印象模拟数据样本效果的新方法，通过神经网络层的简单前馈即可轻松制作对抗
PDF6 years ago