Buchumschlag

Data-Driven Lipschitz Continuity: A Cost-Effective Approach to Improve Adversarial Robustness

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Erh-Chung, Chen, Pin-Yu, Chung, I-Hsin, Lee, Che-Rung
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

Steal Now and Attack Later: Evaluating Robustness of Object Detection against Black-box Adversarial Attacks
von: Chen, Erh-Chung, et al.
Veröffentlicht: (2024)

LTD: Low Temperature Distillation for Gradient Masking-free Adversarial Training
von: Chen, Erh-Chung, et al.
Veröffentlicht: (2021)

GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models
von: Li, Zaitang, et al.
Veröffentlicht: (2023)

STAR: Spectral Truncation and Rescale for Model Merging
von: Lee, Yu-Ang, et al.
Veröffentlicht: (2025)

Attention Tracker: Detecting Prompt Injection Attacks in LLMs
von: Hung, Kuo-Han, et al.
Veröffentlicht: (2024)

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

IgPose: A Generative Data-Augmented Pipeline for Robust Immunoglobulin-Antigen Binding Prediction
von: Bui, Tien-Cuong, et al.
Veröffentlicht: (2026)

SAFE: Finding Sparse and Flat Minima to Improve Pruning
von: Lee, Dongyeop, et al.
Veröffentlicht: (2025)

Computational Safety for Generative AI: A Signal Processing Perspective
von: Chen, Pin-Yu
Veröffentlicht: (2025)

A Survey of Data Synthesis Approaches
von: Chang, Hsin-Yu, et al.
Veröffentlicht: (2024)

CarBoN: Calibrated Best-of-N Sampling Improves Test-time Reasoning
von: Tang, Yung-Chen, et al.
Veröffentlicht: (2025)

Adversarial Environment Design via Regret-Guided Diffusion Models
von: Chung, Hojun, et al.
Veröffentlicht: (2024)

Overload: Latency Attacks on Object Detection for Edge Devices
von: Chen, Erh-Chung, et al.
Veröffentlicht: (2023)

A Novel Approach to Solving Goal-Achieving Problems for Board Games
von: Shih, Chung-Chin, et al.
Veröffentlicht: (2021)

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

Maintaining Adversarial Robustness in Continuous Learning
von: Ru, Xiaolei, et al.
Veröffentlicht: (2024)

Contrastive ECOC: Learning Output Codes for Adversarial Defense
von: Chou, Che-Yu, et al.
Veröffentlicht: (2025)

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

Bridging Models to Defend: A Population-Based Strategy for Robust Adversarial Defense
von: Wang, Ren, et al.
Veröffentlicht: (2023)

Integrated Gradient Correlation: a Dataset-wise Attribution Method
von: Lelièvre, Pierre, et al.
Veröffentlicht: (2024)

Enhancing Semi-supervised Learning with Zero-shot Pseudolabels
von: Chung, Jichan, et al.
Veröffentlicht: (2025)

Preserving Plasticity in Continual Learning with Adaptive Linearity Injection
von: Rohani, Seyed Roozbeh Razavi, et al.
Veröffentlicht: (2025)

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

Continual Adversarial Reinforcement Learning (CARL) of False Data Injection detection: forgetting and explainability
von: Aslami, Pooja, et al.
Veröffentlicht: (2024)

Parseval Regularization for Continual Reinforcement Learning
von: Chung, Wesley, et al.
Veröffentlicht: (2024)

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

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

Lipschitz-aware Linearity Grafting for Certified Robustness
von: Han, Yongjin, et al.
Veröffentlicht: (2025)

Incentivized Lipschitz Bandits
von: Chakraborty, Sourav, et al.
Veröffentlicht: (2025)

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

Zero-Shot Machine Unlearning with Proxy Adversarial Data Generation
von: Chen, Huiqiang, et al.
Veröffentlicht: (2025)

Optimization-Induced Dynamics of Lipschitz Continuity in Neural Networks
von: Luo, Róisín, et al.
Veröffentlicht: (2025)

Breaking the Barrier: Enhanced Utility and Robustness in Smoothed DRL Agents
von: Sun, Chung-En, et al.
Veröffentlicht: (2024)

Offline Reinforcement Learning with Universal Horizon Models
von: Chung, Hojun, et al.
Veröffentlicht: (2026)

Robust Behavior Cloning Via Global Lipschitz Regularization
von: Wu, Shili, et al.
Veröffentlicht: (2025)

Don't Let Bandit Feedback Pull Continual LLM-Recommender Updates Off Target
von: Kim, Taesan, et al.
Veröffentlicht: (2026)

Learning Robust Reasoning through Guided Adversarial Self-Play
von: Li, Shuozhe, et al.
Veröffentlicht: (2026)

A Cost-Effective LLM-based Approach to Identify Wildlife Trafficking in Online Marketplaces
von: Barbosa, Juliana, et al.
Veröffentlicht: (2025)

Unifying Inductive, Cross-Domain, and Multimodal Learning for Robust and Generalizable Recommendation
von: Chung, Chanyoung, et al.
Veröffentlicht: (2025)

SASSHA: Sharpness-aware Adaptive Second-order Optimization with Stable Hessian Approximation
von: Shin, Dahun, et al.
Veröffentlicht: (2025)