input transformation | BriefGPT

关键词input transformation

搜索结果 - 9

CVPR学习动态转化以提高对抗迁移性能
通过学习选择最佳的变换组合以提高对抗传递能力的一种新方法，名为 Learning to Transform (L2T)，在实验中展现出优于现有方法的性能，并证实其有效性和实用意义。
PDFa month ago
高度可转移的目标攻击的 AutoAugment 输入转换
本文提出了一种新的有针对性的对抗攻击方法，称为 AutoAugment Input Transformation (AAIT)，通过搜索最佳的转换策略，并利用找到的最佳转换策略来生成对抗样本，从而提升有针对性攻击中的对抗传递性能。通过在 C
PDF6 months ago
统一尺度和混合掩码方法提高对抗转移能力
提出了一个名为 US-MM 的框架，用于生成对抗性样本，其中采用统一的尺度和混合掩码方法来解决现有方法的问题，经过对标准 ImageNet 数据集的经验评估，US-MM 相比于现有方法在传递攻击成功率上平均提高了 7%。
PDF8 months ago
ICCV结构不变性转换：提高对抗迁移性能
给定深度神经网络（DNN）对抗性示例的严重性脆弱性，迫切需要一种有效的对抗性攻击来识别 DNN 在安全敏感应用中的缺陷。本文提出了一种基于输入变换的攻击方法，称为 Structure Invariant Attack（SIA），通过对每个图
PDF9 months ago
MM提高恶意示例的可转移性：任意风格转移
通过使用不同域中的数据增强，我们提出了一种名为 Style Transfer Method（STM）的新的攻击方法，利用提出的任意风格转换网络将图像转换为不同的域，从而显著提高了对抗性可转移性。
PDF10 months ago
通过块置换和旋转增强对抗传递能力
通过观察已有的基于输入变换的攻击方法在不同模型上产生不同的关注热图，并发现破坏图像的内在关系可以扰乱原始图像的关注热图，我们提出了一种新的基于输入变换的攻击方法，称为块洗牌和旋转（BSR），通过将输入图像分成几个块，随机洗牌和旋转这些块来构
PDF10 months ago
ICCVAdmix: 提高对抗攻击的可转移性
该研究旨在提高对抗转移性能，在理论和实验的基础上设计了一种称为 Admix 的输入变换攻击方法，该方法能够利用附加图像集合进行攻击并优于现有方法。
PDF3 years ago
时间序列预测是否真的需要深度学习模型？
本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。
PDF3 years ago
ICML通过输入变换的自监督标签增强
通过自监督学习，本文提出的单一统一任务学习方法能够有效地提高模型的准确性，并且在各种全监督学习场景下均具有广泛的适用性。
PDF5 years ago