Buchumschlag

Towards a Novel Perspective on Adversarial Examples Driven by Frequency

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Zhun, Zeng, Yi, Liu, Qihe, Zhou, Shijie
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

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

Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks
von: Wang, Jihang, et al.
Veröffentlicht: (2025)

Discriminative Adversarial Unlearning
von: Sharma, Rohan, et al.
Veröffentlicht: (2024)

Difficult Examples Hurt Unsupervised Contrastive Learning: A Theoretical Perspective
von: Zhang, Yi-Ge, et al.
Veröffentlicht: (2025)

Why Do Unlearnable Examples Work: A Novel Perspective of Mutual Information
von: Zhu, Yifan, et al.
Veröffentlicht: (2026)

MemLoss: Enhancing Adversarial Training with Recycling Adversarial Examples
von: Mahdi, Soroush, et al.
Veröffentlicht: (2025)

Adversarial Examples Might be Avoidable: The Role of Data Concentration in Adversarial Robustness
von: Pal, Ambar, et al.
Veröffentlicht: (2023)

Get Rid of Isolation: A Continuous Multi-task Spatio-Temporal Learning Framework
von: Yi, Zhongchao, et al.
Veröffentlicht: (2024)

A New Type of Adversarial Examples
von: Nie, Xingyang, et al.
Veröffentlicht: (2025)

Analyzing the Impact of Adversarial Examples on Explainable Machine Learning
von: Devabhakthini, Prathyusha, et al.
Veröffentlicht: (2023)

Adversarial Examples in the Physical World: A Survey
von: Wang, Jiakai, et al.
Veröffentlicht: (2023)

FairSTG: Countering performance heterogeneity via collaborative sample-level optimization
von: Lin, Gengyu, et al.
Veröffentlicht: (2024)

Alert-ME: An Explainability-Driven Defense Against Adversarial Examples in Transformer-Based Text Classification
von: Sabir, Bushra, et al.
Veröffentlicht: (2023)

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

Generating Realistic Adversarial Examples for Business Processes using Variational Autoencoders
von: Stevens, Alexander, et al.
Veröffentlicht: (2024)

TF-TransUNet1D: Time-Frequency Guided Transformer U-Net for Robust ECG Denoising in Digital Twin
von: Wang, Shijie, et al.
Veröffentlicht: (2025)

Contract And Conquer: How to Provably Compute Adversarial Examples for a Black-Box Model?
von: Chistyakova, Anna, et al.
Veröffentlicht: (2026)

Incrementally Learning Multiple Diverse Data Domains via Multi-Source Dynamic Expansion Model
von: Wu, Runqing, et al.
Veröffentlicht: (2025)

An Adversarial Example for Direct Logit Attribution: Memory Management in GELU-4L
von: Janiak, Jett, et al.
Veröffentlicht: (2023)

Leveraging Information Consistency in Frequency and Spatial Domain for Adversarial Attacks
von: Jin, Zhibo, et al.
Veröffentlicht: (2024)

PEAS: A Strategy for Crafting Transferable Adversarial Examples
von: Avraham, Bar, et al.
Veröffentlicht: (2024)

Teaching by Failure: Counter-Example-Driven Curricula for Transformer Self-Improvement
von: Vejendla, Harshil
Veröffentlicht: (2025)

PETS: A Principled Framework Towards Optimal Trajectory Allocation for Efficient Test-Time Self-Consistency
von: Liu, Zhangyi, et al.
Veröffentlicht: (2026)

Improving the Transferability of Adversarial Examples by Inverse Knowledge Distillation
von: Wu, Wenyuan, et al.
Veröffentlicht: (2025)

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

Towards Reward Fairness in RLHF: From a Resource Allocation Perspective
von: Ouyang, Sheng, et al.
Veröffentlicht: (2025)

Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting
von: Zhang, Zhiwei, et al.
Veröffentlicht: (2024)

To See Far, Look Close: Evolutionary Forecasting for Long-term Time Series
von: Ma, Jiaming, et al.
Veröffentlicht: (2026)

Rethinking Adversarial Attacks in Reinforcement Learning from Policy Distribution Perspective
von: Duan, Tianyang, et al.
Veröffentlicht: (2025)

DP-TRAE: A Dual-Phase Merging Transferable Reversible Adversarial Example for Image Privacy Protection
von: Du, Xia, et al.
Veröffentlicht: (2025)

Adversarial Machine Learning: Bayesian Perspectives
von: Insua, David Rios, et al.
Veröffentlicht: (2020)

Towards Adversarially Robust Deep Metric Learning
von: Ke, Xiaopeng
Veröffentlicht: (2025)

Sequential Difference Maximization: Generating Adversarial Examples via Multi-Stage Optimization
von: Liu, Xinlei, et al.
Veröffentlicht: (2025)

TaeBench: Improving Quality of Toxic Adversarial Examples
von: Zhu, Xuan, et al.
Veröffentlicht: (2024)

A Confounding Factors-Inhibition Adversarial Learning Framework for Multi-site fMRI Mental Disorder Identification
von: Wen, Xin, et al.
Veröffentlicht: (2025)

Zero-Sacrifice Persistent-Robustness Adversarial Defense for Pre-Trained Encoders
von: Lei, Zhuxin, et al.
Veröffentlicht: (2026)

Towards Differentially Private Reinforcement Learning with General Function Approximation
von: He, Yi, et al.
Veröffentlicht: (2026)

Fast-Slow Co-advancing Optimizer: Toward Harmonious Adversarial Training of GAN
von: Wang, Lin, et al.
Veröffentlicht: (2025)

Toward In-Context Teaching: Adapting Examples to Students' Misconceptions
von: Ross, Alexis, et al.
Veröffentlicht: (2024)

Adversarial Lens: Exploiting Attention Layers to Generate Adversarial Examples for Evaluation
von: Dhole, Kaustubh
Veröffentlicht: (2025)