Buchumschlag

Rethinking Invariance Regularization in Adversarial Training to Improve Robustness-Accuracy Trade-off

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Waseda, Futa, Chang, Ching-Chun, Echizen, Isao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Uncolorable Examples: Preventing Unauthorized AI Colorization via Perception-Aware Chroma-Restrictive Perturbation
von: Nii, Yuki, et al.
Veröffentlicht: (2025)

Multimodal Adversarial Defense for Vision-Language Models by Leveraging One-To-Many Relationships
von: Waseda, Futa, et al.
Veröffentlicht: (2024)

Quality Text, Robust Vision: The Role of Language in Enhancing Visual Robustness of Vision-Language Models
von: Waseda, Futa, et al.
Veröffentlicht: (2025)

Steganography in Game Actions
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2024)

Chronology of Multi-Agent Interactions for Provenance of Evolving Information
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2025)

On the Origin of Synthetic Information by Means of Steganographic Inheritance
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2026)

Steganography Beyond Space-Time with Chain of Multimodal AI
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2025)

Tell-Tale Watermarks for Explanatory Reasoning in Synthetic Media Forensics
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2025)

Hypnopaedia-Aware Machine Unlearning via Psychometrics of Artificial Mental Imagery
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2024)

Understanding Sensitivity of Differential Attention through the Lens of Adversarial Robustness
von: Takahashi, Tsubasa, et al.
Veröffentlicht: (2025)

Conserve-Update-Revise to Cure Generalization and Robustness Trade-off in Adversarial Training
von: Gowda, Shruthi, et al.
Veröffentlicht: (2024)

Cyber-Physical Steganography in Robotic Motion Control
von: Chang, Ching-Chun, et al.
Veröffentlicht: (2025)

Trading-off Accuracy and Communication Cost in Federated Learning
von: Villani, Mattia Jacopo, et al.
Veröffentlicht: (2025)

Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs
von: Chen, Xiaoqing, et al.
Veröffentlicht: (2024)

Generalist++: A Meta-learning Framework for Mitigating Trade-off in Adversarial Training
von: Wang, Yisen, et al.
Veröffentlicht: (2025)

Improving Clean Accuracy via a Tangent-Space Perspective on Adversarial Training
von: Yi, Bongsoo, et al.
Veröffentlicht: (2024)

Enhancing Robustness of LLM-Synthetic Text Detectors for Academic Writing: A Comprehensive Analysis
von: Dou, Zhicheng, et al.
Veröffentlicht: (2024)

GreedyPixel: Fine-Grained Black-Box Adversarial Attack Via Greedy Algorithm
von: Wang, Hanrui, et al.
Veröffentlicht: (2025)

Adversarial Robustness Overestimation and Instability in TRADES
von: Li, Jonathan Weiping, et al.
Veröffentlicht: (2024)

Structural Invariance Matters: Rethinking Graph Rewiring through Graph Metrics
von: Benoit, Alexandre, et al.
Veröffentlicht: (2025)

SwinGNN: Rethinking Permutation Invariance in Diffusion Models for Graph Generation
von: Yan, Qi, et al.
Veröffentlicht: (2023)

Latent Adversarial Training Improves Robustness to Persistent Harmful Behaviors in LLMs
von: Sheshadri, Abhay, et al.
Veröffentlicht: (2024)

Accuracy-Privacy Trade-off in the Mitigation of Membership Inference Attack in Federated Learning
von: Ahamed, Sayyed Farid, et al.
Veröffentlicht: (2024)

REG: A Regularization Optimizer for Robust Training Dynamics
von: Liu, Zehua, et al.
Veröffentlicht: (2025)

Robust off-policy Reinforcement Learning via Soft Constrained Adversary
von: Nakanishi, Kosuke, et al.
Veröffentlicht: (2024)

Standard-Deviation-Inspired Regularization for Improving Adversarial Robustness
von: Fakorede, Olukorede, et al.
Veröffentlicht: (2024)

Improving Robustness In Sparse Autoencoders via Masked Regularization
von: Narayanaswamy, Vivek, et al.
Veröffentlicht: (2026)

Explanation-Guided Adversarial Training for Robust and Interpretable Models
von: Chen, Chao, et al.
Veröffentlicht: (2026)

Ignition Phase : Standard Training for Fast Adversarial Robustness
von: Yu-Hang, Wang, et al.
Veröffentlicht: (2025)

Annealing Self-Distillation Rectification Improves Adversarial Training
von: Wu, Yu-Yu, et al.
Veröffentlicht: (2023)

Exploring Accuracy-Fairness Trade-off in Large Language Models
von: Zhang, Qingquan, et al.
Veröffentlicht: (2024)

Defending Against Physical Adversarial Patch Attacks on Infrared Human Detection
von: Strack, Lukas, et al.
Veröffentlicht: (2023)

Understanding and Improving Adversarial Robustness of Neural Probabilistic Circuits
von: Chen, Weixin, et al.
Veröffentlicht: (2025)

How Do Diffusion Models Improve Adversarial Robustness?
von: Yuezhang, Liu, et al.
Veröffentlicht: (2025)

MergePrint: Merge-Resistant Fingerprints for Robust Black-box Ownership Verification of Large Language Models
von: Yamabe, Shojiro, et al.
Veröffentlicht: (2024)

Gradient-Informed Temporal Sampling Improves Rollout Accuracy in PDE Surrogate Training
von: Wang, Wenshuo, et al.
Veröffentlicht: (2026)

PISA: An AI Pipeline for Interpretable-by-design Survival Analysis Providing Multiple Complexity-Accuracy Trade-off Models
von: Schlender, Thalea, et al.
Veröffentlicht: (2025)

Fairness-Accuracy Trade-Offs: A Causal Perspective
von: Plecko, Drago, et al.
Veröffentlicht: (2024)

Certified Robustness via Dynamic Margin Maximization and Improved Lipschitz Regularization
von: Fazlyab, Mahyar, et al.
Veröffentlicht: (2023)

Weight Concentration Regularization for Improving Pruning Robustness Under High Sparsity
von: Yun, Vincent-Daniel, et al.
Veröffentlicht: (2025)