:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yeats, Eric, Darwin, Cameron, Ortega, Eduardo, Liu, Frank, Li, Hai
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2404.10588
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving Fast Adversarial Training Paradigm: An Example Taxonomy Perspective
von: Gui, Jie, et al.
Veröffentlicht: (2024)

Adversarial Examples Are Not Real Features
von: Li, Ang, et al.
Veröffentlicht: (2023)

Adversarial Examples Detection with Bayesian Neural Network
von: Li, Yao, et al.
Veröffentlicht: (2021)

Adversarial Example Defense via Perturbation Grading Strategy
von: Zhu, Shaowei, et al.
Veröffentlicht: (2022)

Saddle-Free Guidance: Improved On-Manifold Sampling without Labels or Additional Training
von: Yeats, Eric, et al.
Veröffentlicht: (2025)

Boosting Imperceptibility of Stable Diffusion-based Adversarial Examples Generation with Momentum
von: Haque, Nashrah, et al.
Veröffentlicht: (2024)

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

Transcending Adversarial Perturbations: Manifold-Aided Adversarial Examples with Legitimate Semantics
von: Li, Shuai, et al.
Veröffentlicht: (2024)

Almost for Free: Crafting Adversarial Examples with Convolutional Image Filters
von: Warnecke, Alexander, et al.
Veröffentlicht: (2026)

Unifying Image Counterfactuals and Feature Attributions with Latent-Space Adversarial Attacks
von: Goldwasser, Jeremy, et al.
Veröffentlicht: (2025)

SemDiff: Generating Natural Unrestricted Adversarial Examples via Semantic Attributes Optimization in Diffusion Models
von: Dai, Zeyu, et al.
Veröffentlicht: (2025)

Transferable Adversarial Examples with Bayes Approach
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

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

Protego: Detecting Adversarial Examples for Vision Transformers via Intrinsic Capabilities
von: Wu, Jialin, et al.
Veröffentlicht: (2025)

AdvDiff: Generating Unrestricted Adversarial Examples using Diffusion Models
von: Dai, Xuelong, et al.
Veröffentlicht: (2023)

Going Further: Flatness at the Rescue of Early Stopping for Adversarial Example Transferability
von: Gubri, Martin, et al.
Veröffentlicht: (2023)

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

Improving Transferability of Adversarial Examples via Bayesian Attacks
von: Li, Qizhang, et al.
Veröffentlicht: (2023)

DASH: A Meta-Attack Framework for Synthesizing Effective and Stealthy Adversarial Examples
von: Nafi, Abdullah Al Nomaan, et al.
Veröffentlicht: (2025)

Improving Transformation-based Defenses against Adversarial Examples with First-order Perturbations
von: Zhang, Haimin, et al.
Veröffentlicht: (2021)

AED-PADA:Improving Generalizability of Adversarial Example Detection via Principal Adversarial Domain Adaptation
von: Peng, Heqi, et al.
Veröffentlicht: (2024)

Dynamic Label Adversarial Training for Deep Learning Robustness Against Adversarial Attacks
von: Liu, Zhenyu, et al.
Veröffentlicht: (2024)

MEAT: Median-Ensemble Adversarial Training for Improving Robustness and Generalization
von: Hu, Zhaozhe, et al.
Veröffentlicht: (2024)

Taming the Long Tail: Rebalancing Adversarial Training via Adaptive Perturbation
von: Zhang, Lilin, et al.
Veröffentlicht: (2026)

Contrastive Adversarial Training for Unsupervised Domain Adaptation
von: Chen, Jiahong, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Example Detection Through Model Explanation
von: Ma, Qian, et al.
Veröffentlicht: (2025)

Topology-preserving Adversarial Training for Alleviating Natural Accuracy Degradation
von: Mi, Xiaoyue, et al.
Veröffentlicht: (2023)

TRIX- Trading Adversarial Fairness via Mixed Adversarial Training
von: Medi, Tejaswini, et al.
Veröffentlicht: (2025)

Adversarial Wear and Tear: Exploiting Natural Damage for Generating Physical-World Adversarial Examples
von: Irshad, Samra, et al.
Veröffentlicht: (2025)

Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training
von: Xie, Ming-Kun, et al.
Veröffentlicht: (2024)

Nested Annealed Training Scheme for Generative Adversarial Networks
von: Wan, Chang, et al.
Veröffentlicht: (2025)

Improving Integrated Gradient-based Transferable Adversarial Examples by Refining the Integration Path
von: Ren, Yuchen, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Robustness via Uncertainty-Aware Distributional Adversarial Training
von: Dong, Junhao, et al.
Veröffentlicht: (2024)

Towards Adversarially Robust Dataset Distillation by Curvature Regularization
von: Xue, Eric, et al.
Veröffentlicht: (2024)

What is Adversarial Training for Diffusion Models?
von: Rosaria, Briglia Maria, et al.
Veröffentlicht: (2025)

Adversarial Examples: Generation Proposal in the Context of Facial Recognition Systems
von: Fuster, Marina, et al.
Veröffentlicht: (2024)

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

Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training
von: Zhang, Jiacheng, et al.
Veröffentlicht: (2024)

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

Adversarial Training from Mean Field Perspective
von: Kumano, Soichiro, et al.
Veröffentlicht: (2025)