Buchumschlag

Attacking All Tasks at Once Using Adversarial Examples in Multi-Task Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Lijun, Liu, Xiao, Mahmood, Kaleel, Ding, Caiwen, Guan, Hui
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Attacking the Spike: On the Transferability and Security of Spiking Neural Networks to Adversarial Examples
von: Xu, Nuo, et al.
Veröffentlicht: (2022)

Theoretical Corrections and the Leveraging of Reinforcement Learning to Enhance Triangle Attack
von: Meng, Nicole, et al.
Veröffentlicht: (2024)

Adversarial Attacks on Hidden Tasks in Multi-Task Learning
von: Zhe, Yu, et al.
Veröffentlicht: (2024)

Analyzing Physical Adversarial Example Threats to Machine Learning in Election Systems
von: Kamal, Khaleque Md Aashiq, et al.
Veröffentlicht: (2026)

Efficient Context Propagating Perceiver Architectures for Auto-Regressive Language Modeling
von: Mahmood, Kaleel, et al.
Veröffentlicht: (2024)

Everything Everywhere All at Once: LLMs can In-Context Learn Multiple Tasks in Superposition
von: Xiong, Zheyang, et al.
Veröffentlicht: (2024)

ASTRA: Communication-Efficient Acceleration for Multi-Device Transformer Inference
von: Liu, Xiao, et al.
Veröffentlicht: (2025)

Reimagining Parameter Space Exploration with Diffusion Models
von: Zhang, Lijun, et al.
Veröffentlicht: (2025)

All in One: Multi-Task Prompting for Graph Neural Networks (Extended Abstract)
von: Sun, Xiangguo, et al.
Veröffentlicht: (2024)

Disentangling Policy from Offline Task Representation Learning via Adversarial Data Augmentation
von: Jia, Chengxing, et al.
Veröffentlicht: (2024)

Busting the Paper Ballot: Voting Meets Adversarial Machine Learning
von: Mahmood, Kaleel, et al.
Veröffentlicht: (2025)

Towards Interpretable Adversarial Examples via Sparse Adversarial Attack
von: Lin, Fudong, et al.
Veröffentlicht: (2025)

IDT: Dual-Task Adversarial Attacks for Privacy Protection
von: Faustini, Pedro, et al.
Veröffentlicht: (2024)

One Model for All Tasks: Leveraging Efficient World Models in Multi-Task Planning
von: Pu, Yuan, et al.
Veröffentlicht: (2025)

MT2ST: Adaptive Multi-Task to Single-Task Learning
von: Liu, Dong, et al.
Veröffentlicht: (2024)

LLM Zeroth-Order Fine-Tuning is an Inference Workload
von: Li, Zelin, et al.
Veröffentlicht: (2026)

STG-MTL: Scalable Task Grouping for Multi-Task Learning Using Data Map
von: Sherif, Ammar, et al.
Veröffentlicht: (2023)

SGW-based Multi-Task Learning in Vision Tasks
von: Zhang, Ruiyuan, et al.
Veröffentlicht: (2024)

Generating Less Certain Adversarial Examples Improves Robust Generalization
von: Zhang, Minxing, et al.
Veröffentlicht: (2023)

CogFormer: Learn All Your Models Once
von: Huang, Jerry M., et al.
Veröffentlicht: (2026)

Towards Multi-Task Multi-Modal Models: A Video Generative Perspective
von: Yu, Lijun
Veröffentlicht: (2024)

Towards Principled Task Grouping for Multi-Task Learning
von: Wang, Chenguang, et al.
Veröffentlicht: (2024)

Where and How to Attack? A Causality-Inspired Recipe for Generating Counterfactual Adversarial Examples
von: Cai, Ruichu, et al.
Veröffentlicht: (2023)

Sharper Risk Bound for Multi-Task Learning with Multi-Graph Dependent Data
von: Shao, Xiao, et al.
Veröffentlicht: (2025)

One for All: Towards Training One Graph Model for All Classification Tasks
von: Liu, Hao, et al.
Veröffentlicht: (2023)

Ensemble Prediction of Task Affinity for Efficient Multi-Task Learning
von: Ayman, Afiya, et al.
Veröffentlicht: (2026)

Certifying Adapters: Enabling and Enhancing the Certification of Classifier Adversarial Robustness
von: Deng, Jieren, et al.
Veröffentlicht: (2024)

AttackBench: Evaluating Gradient-based Attacks for Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

Goal-Conditioned Agents that Learn Everything All at Once
von: Matthews, Michael, et al.
Veröffentlicht: (2026)

Dual-Balancing for Multi-Task Learning
von: Lin, Baijiong, et al.
Veröffentlicht: (2023)

Task Addition in Multi-Task Learning by Geometrical Alignment
von: Yim, Soorin, et al.
Veröffentlicht: (2024)

Task Scheduling & Forgetting in Multi-Task Reinforcement Learning
von: Speckmann, Marc, et al.
Veröffentlicht: (2025)

Model Mimic Attack: Knowledge Distillation for Provably Transferable Adversarial Examples
von: Lukyanov, Kirill, et al.
Veröffentlicht: (2024)

Attacking Cooperative Multi-Agent Reinforcement Learning by Adversarial Minority Influence
von: Li, Simin, et al.
Veröffentlicht: (2023)

Adversarial Sparse Teacher: Defense Against Distillation-Based Model Stealing Attacks Using Adversarial Examples
von: Yilmaz, Eda, et al.
Veröffentlicht: (2024)

Learning New Tasks from a Few Examples with Soft-Label Prototypes
von: Singh, Avyav Kumar, et al.
Veröffentlicht: (2022)

Robust Multi-Task Learning with Excess Risks
von: He, Yifei, et al.
Veröffentlicht: (2024)

Certifiable Black-Box Attacks with Randomized Adversarial Examples: Breaking Defenses with Provable Confidence
von: Hong, Hanbin, et al.
Veröffentlicht: (2023)

Injecting Imbalance Sensitivity for Multi-Task Learning
von: Zhou, Zhipeng, et al.
Veröffentlicht: (2025)

Distributionally Robust Multi-Task Reinforcement Learning via Adaptive Task Sampling
von: Corrado, Nicholas E., et al.
Veröffentlicht: (2026)