Buchumschlag

Soften to Defend: Towards Adversarial Robustness via Self-Guided Label Refinement

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Daiwei, Li, Zhuorong, Wei, Lina, Jin, Canghong, Zhang, Yun, Chan, Sixian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fight Perturbations with Perturbations: Defending Adversarial Attacks via Neuron Influence
von: Chen, Ruoxi, et al.
Veröffentlicht: (2021)

Defending Unauthorized Model Merging via Dual-Stage Weight Protection
von: Chen, Wei-Jia, et al.
Veröffentlicht: (2025)

Time Traveling to Defend Against Adversarial Example Attacks in Image Classification
von: Etim, Anthony, et al.
Veröffentlicht: (2024)

Improving Adversarial Transferability on Vision Transformers via Forward Propagation Refinement
von: Ren, Yuchen, et al.
Veröffentlicht: (2025)

Improving Adversarial Robustness via Feature Pattern Consistency Constraint
von: Hu, Jiacong, et al.
Veröffentlicht: (2024)

Controllable Adversarial Makeup for Privacy via Text-Guided Diffusion
von: Kwon, Youngjin, et al.
Veröffentlicht: (2025)

Why Does Little Robustness Help? A Further Step Towards Understanding Adversarial Transferability
von: Zhang, Yechao, et al.
Veröffentlicht: (2023)

Rethinking Robust Adversarial Concept Erasure in Diffusion Models
von: Yin, Qinghong, et al.
Veröffentlicht: (2025)

DataFreeShield: Defending Adversarial Attacks without Training Data
von: Lee, Hyeyoon, et al.
Veröffentlicht: (2024)

RoMA: Robust Malware Attribution via Byte-level Adversarial Training with Global Perturbations and Adversarial Consistency Regularization
von: Sun, Yuxia, et al.
Veröffentlicht: (2025)

Defending LVLMs Against Vision Attacks through Partial-Perception Supervision
von: Zhou, Qi, et al.
Veröffentlicht: (2024)

Boosting Generative Adversarial Transferability with Self-supervised Vision Transformer Features
von: Wu, Shangbo, et al.
Veröffentlicht: (2025)

Is RobustBench/AutoAttack a suitable Benchmark for Adversarial Robustness?
von: Lorenz, Peter, et al.
Veröffentlicht: (2021)

On the Robustness of Kolmogorov-Arnold Networks: An Adversarial Perspective
von: Alter, Tal, et al.
Veröffentlicht: (2024)

Distilling Adversarial Robustness Using Heterogeneous Teachers
von: Deng, Jieren, et al.
Veröffentlicht: (2024)

LISArD: Learning Image Similarity to Defend Against Gray-box Adversarial Attacks
von: Costa, Joana C., et al.
Veröffentlicht: (2025)

Attacking Transformers with Feature Diversity Adversarial Perturbation
von: Gao, Chenxing, et al.
Veröffentlicht: (2024)

Interpretability-Guided Test-Time Adversarial Defense
von: Kulkarni, Akshay, et al.
Veröffentlicht: (2024)

Deciphering the Definition of Adversarial Robustness for post-hoc OOD Detectors
von: Lorenz, Peter, et al.
Veröffentlicht: (2024)

Defensive Unlearning with Adversarial Training for Robust Concept Erasure in Diffusion Models
von: Zhang, Yimeng, et al.
Veröffentlicht: (2024)

Hiding Faces in Plain Sight: Defending DeepFakes by Disrupting Face Detection
von: Zhu, Delong, et al.
Veröffentlicht: (2024)

Jailbreak Vision Language Models via Bi-Modal Adversarial Prompt
von: Ying, Zonghao, et al.
Veröffentlicht: (2024)

Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks
von: Zhang, Lei, et al.
Veröffentlicht: (2024)

Robust Image Classification: Defensive Strategies against FGSM and PGD Adversarial Attacks
von: Waghela, Hetvi, et al.
Veröffentlicht: (2024)

A Random Ensemble of Encrypted models for Enhancing Robustness against Adversarial Examples
von: Iijima, Ryota, et al.
Veröffentlicht: (2024)

Rank Matters: Understanding and Defending Model Inversion Attacks via Low-Rank Feature Filtering
von: Yu, Hongyao, et al.
Veröffentlicht: (2024)

Towards Model Resistant to Transferable Adversarial Examples via Trigger Activation
von: Yu, Yi, et al.
Veröffentlicht: (2025)

Vulnerabilities in AI-generated Image Detection: The Challenge of Adversarial Attacks
von: Diao, Yunfeng, et al.
Veröffentlicht: (2024)

Towards Physically Realizable Adversarial Attenuation Patch against SAR Object Detection
von: Zhang, Yiming, et al.
Veröffentlicht: (2026)

Robust Watermarks Leak: Channel-Aware Feature Extraction Enables Adversarial Watermark Manipulation
von: Ba, Zhongjie, et al.
Veröffentlicht: (2025)

Assessing Neural Network Robustness via Adversarial Pivotal Tuning
von: Christensen, Peter Ebert, et al.
Veröffentlicht: (2022)

Towards an End-to-End (E2E) Adversarial Learning and Application in the Physical World
von: Biton, Dudi, et al.
Veröffentlicht: (2025)

Towards Privacy-Guaranteed Label Unlearning in Vertical Federated Learning: Few-Shot Forgetting without Disclosure
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

PatchCURE: Improving Certifiable Robustness, Model Utility, and Computation Efficiency of Adversarial Patch Defenses
von: Xiang, Chong, et al.
Veröffentlicht: (2023)

Defensive Adversarial CAPTCHA: A Semantics-Driven Framework for Natural Adversarial Example Generation
von: Du, Xia, et al.
Veröffentlicht: (2025)

ROBIN: Robust and Invisible Watermarks for Diffusion Models with Adversarial Optimization
von: Huang, Huayang, et al.
Veröffentlicht: (2024)

Backdoor Mitigation in Object Detection via Adversarial Fine-Tuning
von: Dunnett, Kealan, et al.
Veröffentlicht: (2026)

Stealthy Multi-Task Adversarial Attacks
von: Guo, Jiacheng, et al.
Veröffentlicht: (2024)

VGS-ATD: Robust Distributed Learning for Multi-Label Medical Image Classification Under Heterogeneous and Imbalanced Conditions
von: Zhao, Zehui, et al.
Veröffentlicht: (2025)

Boosting Adversarial Transferability with Spatial Adversarial Alignment
von: Chen, Zhaoyu, et al.
Veröffentlicht: (2025)