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。
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
Bilevel Models for Adversarial Learning and A Case Study
Arxiv
0+阅读 · 2025年12月4日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 2025年11月18日
Learning Fair Representations with Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 2025年11月23日
C-DIRA: Computationally Efficient Dynamic ROI Routing and Domain-Invariant Adversarial Learning for Lightweight Driver Behavior Recognition
Arxiv
0+阅读 · 2025年12月9日
Logical GANs: Adversarial Learning through Ehrenfeucht Fraisse Games
Arxiv
0+阅读 · 2025年10月26日
DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data
Arxiv
0+阅读 · 2025年10月21日
WP-CrackNet: A Collaborative Adversarial Learning Framework for End-to-End Weakly-Supervised Road Crack Detection
Arxiv
0+阅读 · 2025年10月20日
Simple and Effective Specialized Representations for Fair Classifiers
Arxiv
0+阅读 · 2025年10月13日
A Symbolic Adversarial Learning Framework for Evolving Fake News Generation and Detection
Arxiv
0+阅读 · 2025年8月27日
Reference-free Adversarial Sex Obfuscation in Speech
Arxiv
0+阅读 · 2025年8月4日
参考链接
微信扫码咨询专知VIP会员
Top