会员服务
对抗学习是一种机器学习技术，旨在通过提供欺骗性输入来欺骗模型。最常见的原因是导致机器学习模型出现故障。大多数机器学习技术旨在处理特定的问题集，其中从相同的统计分布（IID）生成训练和测试数据。当这些模型应用于现实世界时，对手可能会提供违反该统计假设的数据。可以安排此数据来利用特定漏洞并破坏结果。
Correcting Sensor-Induced Distribution Drift with Wasserstein Adversarial Learning
Arxiv
0+阅读 · 6月17日
Interaction-Breaking Adversarial Learning Framework for Robust Multi-Agent Reinforcement Learning
Arxiv
0+阅读 · 5月29日
MaCo-GAN: Manifold-Contrastive Adversarial Learning for Single Image Super-Resolution
Arxiv
0+阅读 · 6月3日
Graph-Informed Adversarial Modeling: Infimal Subadditivity of Interpolative Divergences
Arxiv
0+阅读 · 4月2日
Machine Learning for Network Attacks Classification and Statistical Evaluation of Machine Learning for Network Attacks Classification and Adversarial Learning Methodologies for Synthetic Data Generation
Arxiv
0+阅读 · 3月18日
Machine Learning for Network Attacks Classification and Statistical Evaluation of Adversarial Learning Methodologies for Synthetic Data Generation
Arxiv
0+阅读 · 4月27日
DIAL: Direct Iterative Adversarial Learning for Realistic Multi-Turn Dialogue Simulation
Arxiv
0+阅读 · 2月18日
Adversarial Learning in Games with Bandit Feedback: Logarithmic Pure-Strategy Maximin Regret
Arxiv
0+阅读 · 2月6日
ALIVE: Awakening LLM Reasoning via Adversarial Learning and Instructive Verbal Evaluation
Arxiv
0+阅读 · 2月5日
ComplicaCode: Enhancing Disease Complication Detection in Electronic Health Records through ICD Path Generation
Arxiv
0+阅读 · 1月18日
From Autoencoders to CycleGAN: Robust Unpaired Face Manipulation via Adversarial Learning
Arxiv
0+阅读 · 1月2日
State-Conditional Adversarial Learning: An Off-Policy Visual Domain Transfer Method for End-to-End Imitation Learning
Arxiv
0+阅读 · 2025年12月24日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 2025年12月24日
Better LLM Reasoning via Dual-Play
Arxiv
0+阅读 · 2025年11月19日
Better LLM Reasoning via Dual-Play
Arxiv
0+阅读 · 2025年11月14日
参考链接
微信扫码咨询专知VIP会员
Top