Buchumschlag

Topological safeguard for evasion attack interpreting the neural networks' behavior

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Echeberria-Barrio, Xabier, Gil-Lerchundi, Amaia, Mendialdua, Iñigo, Orduna-Urrutia, Raul
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding Deep Learning defenses Against Adversarial Examples Through Visualizations for Dynamic Risk Assessment
von: Echeberria-Barrio, Xabier, et al.
Veröffentlicht: (2024)

NeuralSentinel: Safeguarding Neural Network Reliability and Trustworthiness
von: Echeberria-Barrio, Xabier, et al.
Veröffentlicht: (2024)

A Graph Machine Learning Approach for Detecting Topological Patterns in Transactional Graphs
von: Zola, Francesco, et al.
Veröffentlicht: (2025)

A constraints-based approach to fully interpretable neural networks for detecting learner behaviors
von: Pinto, Juan D., et al.
Veröffentlicht: (2025)

Concealed Adversarial attacks on neural networks for sequential data
von: Sokerin, Petr, et al.
Veröffentlicht: (2025)

A mechanistically interpretable neural network for regulatory genomics
von: Tseng, Alex M., et al.
Veröffentlicht: (2024)

From superposition to sparse codes: interpretable representations in neural networks
von: Klindt, David, et al.
Veröffentlicht: (2025)

Bayesian neural networks with interpretable priors from Mercer kernels
von: Alberts, Alex, et al.
Veröffentlicht: (2025)

Adversarial attacks on neural networks through canonical Riemannian foliations
von: Tron, Eliot, et al.
Veröffentlicht: (2022)

An interpretable prototype parts-based neural network for medical tabular data
von: Karolczak, Jacek, et al.
Veröffentlicht: (2026)

Effective backdoor attack on graph neural networks in link prediction tasks
von: Dai, Jiazhu, et al.
Veröffentlicht: (2024)

Robustness questions the interpretability of graph neural networks: what to do?
von: Lukyanov, Kirill, et al.
Veröffentlicht: (2025)

Tensorization of neural networks for improved privacy and interpretability
von: Monturiol, José Ramón Pareja, et al.
Veröffentlicht: (2025)

An interpretable neural network-based non-proportional odds model for ordinal regression
von: Okuno, Akifumi, et al.
Veröffentlicht: (2023)

Embedding interpretable $\ell_1$-regression into neural networks for uncovering temporal structure in cell imaging
von: Kabus, Fabian, et al.
Veröffentlicht: (2026)

Regression modelling of spatiotemporal extreme U.S. wildfires via partially-interpretable neural networks
von: Richards, Jordan, et al.
Veröffentlicht: (2022)

Approximation and interpolation of deep neural networks
von: Constantinescu, Vlad-Raul, et al.
Veröffentlicht: (2023)

Tensorization is a powerful but underexplored tool for compression and interpretability of neural networks
von: Hamreras, Safa, et al.
Veröffentlicht: (2025)

Deep neural networks for choice analysis: Enhancing behavioral regularity with gradient regularization
von: Feng, Siqi, et al.
Veröffentlicht: (2024)

Prototype-based interpretation of the functionality of neurons in winner-take-all neural networks
von: Sabzevar, Ramin Zarei, et al.
Veröffentlicht: (2020)

Understanding the learned look-ahead behavior of chess neural networks
von: Cruz, Diogo
Veröffentlicht: (2025)

Countering adversarial evasion in regression analysis
von: Benfield, David, et al.
Veröffentlicht: (2025)

Identification and Anonymization of Named Entities in Unstructured Information Sources for Use in Social Engineering Detection
von: Miguel, Carlos Jimeno, et al.
Veröffentlicht: (2026)

Topological derivative approach for deep neural network architecture adaptation
von: Krishnanunni, C G, et al.
Veröffentlicht: (2025)

Biology-informed neural networks learn nonlinear representations from omics data to improve genomic prediction and interpretability
von: Kontolati, Katiana, et al.
Veröffentlicht: (2025)

Combining feature-based approaches with graph neural networks and symbolic regression for synergistic performance and interpretability
von: Gouvêa, Rogério Almeida, et al.
Veröffentlicht: (2025)

Prototype-enhanced prediction in graph neural networks for climate applications
von: Keshtmand, Nawid, et al.
Veröffentlicht: (2025)

Accuracy of TextFooler black box adversarial attacks on 01 loss sign activation neural network ensemble
von: Xue, Yunzhe, et al.
Veröffentlicht: (2024)

A hybrid transformer and attention based recurrent neural network for robust and interpretable sentiment analysis of tweets
von: Jahin, Md Abrar, et al.
Veröffentlicht: (2024)

Neuron-based explanations of neural networks sacrifice completeness and interpretability
von: Dey, Nolan, et al.
Veröffentlicht: (2020)

The mathematics of adversarial attacks in AI -- Why deep learning is unstable despite the existence of stable neural networks
von: Bastounis, Alexander, et al.
Veröffentlicht: (2021)

A Kaczmarz-inspired approach to accelerate the optimization of neural network wavefunctions
von: Goldshlager, Gil, et al.
Veröffentlicht: (2024)

Fixed-point graph convolutional networks against adversarial attacks
von: Khan, Shakib, et al.
Veröffentlicht: (2025)

Symplectic convolutional neural networks
von: Yıldız, Süleyman, et al.
Veröffentlicht: (2025)

Efficient n-body simulations using physics informed graph neural networks
von: Ramos-Osuna, Víctor, et al.
Veröffentlicht: (2025)

NFCL: Simply interpretable neural networks for a short-term multivariate forecasting
von: Jo, Wonkeun, et al.
Veröffentlicht: (2024)

Properties that allow or prohibit transferability of adversarial attacks among quantized networks
von: Shrestha, Abhishek, et al.
Veröffentlicht: (2024)

JurEE not Judges: safeguarding llm interactions with small, specialised Encoder Ensembles
von: Nasrabadi, Dom
Veröffentlicht: (2024)

Understanding the role of depth in the neural tangent kernel for overparameterized neural networks
von: St-Arnaud, William, et al.
Veröffentlicht: (2025)

Robust LLM safeguarding via refusal feature adversarial training
von: Yu, Lei, et al.
Veröffentlicht: (2024)