Buchumschlag

HOLMES: to Detect Adversarial Examples with Multiple Detectors

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Wen, Jing
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Masked Language Model Based Textual Adversarial Example Detection
von: Zhang, Xiaomei, et al.
Veröffentlicht: (2023)

Countermeasures Against Adversarial Examples in Radio Signal Classification
von: Zhang, Lu, et al.
Veröffentlicht: (2024)

From Pixels to Trajectory: Universal Adversarial Example Detection via Temporal Imprints
von: Gao, Yansong, et al.
Veröffentlicht: (2025)

Creating Valid Adversarial Examples of Malware
von: Kozák, Matouš, et al.
Veröffentlicht: (2023)

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

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

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

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

Adversarial Hubness Detector: Detecting Hubness Poisoning in Retrieval-Augmented Generation Systems
von: Habler, Idan, et al.
Veröffentlicht: (2026)

Exploring Semantic-constrained Adversarial Example with Instruction Uncertainty Reduction
von: Hu, Jin, et al.
Veröffentlicht: (2025)

Imperceptible Adversarial Examples in the Physical World
von: Xu, Weilin, et al.
Veröffentlicht: (2024)

Improving Sustainability of Adversarial Examples in Class-Incremental Learning
von: Liu, Taifeng, et al.
Veröffentlicht: (2025)

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

LLM Lies: Hallucinations are not Bugs, but Features as Adversarial Examples
von: Yao, Jia-Yu, et al.
Veröffentlicht: (2023)

NCCR: to Evaluate the Robustness of Neural Networks and Adversarial Examples
von: Pu, Shi, et al.
Veröffentlicht: (2025)

Disentangled Training with Adversarial Examples For Robust Small-footprint Keyword Spotting
von: Wang, Zhenyu, et al.
Veröffentlicht: (2024)

TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN
von: Liu, Ziyi, et al.
Veröffentlicht: (2024)

How Real Is Real? A Human Evaluation Framework for Unrestricted Adversarial Examples
von: Fazlija, Dren, et al.
Veröffentlicht: (2024)

HOLMES: HOLonym-MEronym based Semantic inspection for Convolutional Image Classifiers
von: Dibitonto, Francesco, et al.
Veröffentlicht: (2024)

Towards a Novel Perspective on Adversarial Examples Driven by Frequency
von: Zhang, Zhun, et al.
Veröffentlicht: (2024)

IAE: Irony-based Adversarial Examples for Sentiment Analysis Systems
von: Yi, Xiaoyin, et al.
Veröffentlicht: (2024)

Kill Two Birds with One Stone! Trajectory enabled Unified Online Detection of Adversarial Examples and Backdoor Attacks
von: Fu, Anmin, et al.
Veröffentlicht: (2025)

Showing Many Labels in Multi-label Classification Models: An Empirical Study of Adversarial Examples
von: Liu, Yujiang, et al.
Veröffentlicht: (2024)

Are AI-Generated Text Detectors Robust to Adversarial Perturbations?
von: Huang, Guanhua, et al.
Veröffentlicht: (2024)

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)

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

Seeing Through the Mask: Rethinking Adversarial Examples for CAPTCHAs
von: Jabary, Yahya, et al.
Veröffentlicht: (2024)

AEMIM: Adversarial Examples Meet Masked Image Modeling
von: Xiang, Wenzhao, et al.
Veröffentlicht: (2024)

CDUPatch: Color-Driven Universal Adversarial Patch Attack for Dual-Modal Visible-Infrared Detectors
von: Long, Jiahuan, et al.
Veröffentlicht: (2025)

Detecting the Machine: A Comprehensive Benchmark of AI-Generated Text Detectors Across Architectures, Domains, and Adversarial Conditions
von: Baidya, Madhav S., et al.
Veröffentlicht: (2026)

Attention Masks Help Adversarial Attacks to Bypass Safety Detectors
von: Shi, Yunfan
Veröffentlicht: (2024)

Fortify the Guardian, Not the Treasure: Resilient Adversarial Detectors
von: Lapid, Raz, et al.
Veröffentlicht: (2024)

Adversarial Attacks on Transformers-Based Malware Detectors
von: Jakhotiya, Yash, et al.
Veröffentlicht: (2022)

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

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

LLM-Driven Feature-Level Adversarial Attacks on Android Malware Detectors
von: Lan, Tianwei, et al.
Veröffentlicht: (2025)

PIP: Detecting Adversarial Examples in Large Vision-Language Models via Attention Patterns of Irrelevant Probe Questions
von: Zhang, Yudong, et al.
Veröffentlicht: (2024)

Toward Improving Synthetic Audio Spoofing Detection Robustness via Meta-Learning and Disentangled Training With Adversarial Examples
von: Wang, Zhenyu, et al.
Veröffentlicht: (2024)

CausAdv: A Causal-based Framework for Detecting Adversarial Examples
von: Debbi, Hichem
Veröffentlicht: (2024)