Buchumschlag

TabularBench: Benchmarking Adversarial Robustness for Tabular Deep Learning in Real-world Use-cases

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Simonetto, Thibault, Ghamizi, Salah, Cordy, Maxime
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data
von: Simonetto, Thibault, et al.
Veröffentlicht: (2024)

Insights on Adversarial Attacks for Tabular Machine Learning via a Systematic Literature Review
von: Dyrmishi, Salijona, et al.
Veröffentlicht: (2025)

On the Robustness of Tabular Foundation Models: Test-Time Attacks and In-Context Defenses
von: Djilani, Mohamed, et al.
Veröffentlicht: (2025)

RobustBlack: Challenging Black-Box Adversarial Attacks on State-of-the-Art Defenses
von: Djilani, Mohamed, et al.
Veröffentlicht: (2024)

Measuring Cross-Modal Synergy: A Benchmark for VLM Explainability
von: Ky, Joël Roman, et al.
Veröffentlicht: (2026)

Can Large Language Models Reason and Optimize Under Constraints?
von: Bernier, Fabien, et al.
Veröffentlicht: (2026)

SoK: Challenges in Tabular Membership Inference Attacks
von: Pêra, Cristina, et al.
Veröffentlicht: (2026)

How Realistic Is Your Synthetic Data? Constraining Deep Generative Models for Tabular Data
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2024)

TabAttackBench: A Benchmark for Adversarial Attacks on Tabular Data
von: He, Zhipeng, et al.
Veröffentlicht: (2025)

Benchmarking Optimizers for MLPs in Tabular Deep Learning
von: Gorishniy, Yury, et al.
Veröffentlicht: (2026)

Improving Deep Tabular Learning
von: Sarafian, Sivan, et al.
Veröffentlicht: (2025)

LLP-Bench: A Large Scale Tabular Benchmark for Learning from Label Proportions
von: Brahmbhatt, Anand, et al.
Veröffentlicht: (2023)

Reinforcement Learning from Adversarial Preferences in Tabular MDPs
von: Tsuchiya, Taira, et al.
Veröffentlicht: (2025)

MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image
von: Arazi, Alan, et al.
Veröffentlicht: (2026)

STRABLE: Benchmarking Tabular Machine Learning with Strings
von: Blayer, Gioia, et al.
Veröffentlicht: (2026)

Physics Informed Reinforcement Learning with Gibbs Priors for Topology Control in Power Grids
von: Dogoulis, Pantelis, et al.
Veröffentlicht: (2026)

Physics-Aware Heterogeneous GNN Architecture for Real-Time BESS Optimization in Unbalanced Distribution Systems
von: Ma, Aoxiang, et al.
Veröffentlicht: (2025)

SafePowerGraph-HIL: Real-Time HIL Validation of Heterogeneous GNNs for Bridging Sim-to-Real Gap in Power Grids
von: Ma, Aoxiang, et al.
Veröffentlicht: (2025)

A Survey on Deep Tabular Learning
von: Somvanshi, Shriyank, et al.
Veröffentlicht: (2024)

Tabular and Deep Learning for the Whittle Index
von: Relaño, Francisco Robledo, et al.
Veröffentlicht: (2024)

Deep Tabular Representation Corrector
von: Ye, Hangting, et al.
Veröffentlicht: (2026)

TabReD: Analyzing Pitfalls and Filling the Gaps in Tabular Deep Learning Benchmarks
von: Rubachev, Ivan, et al.
Veröffentlicht: (2024)

Tabular and Deep Reinforcement Learning for Gittins Index
von: Dhankhar, Harshit, et al.
Veröffentlicht: (2024)

A Comprehensive Benchmark of Machine and Deep Learning Across Diverse Tabular Datasets
von: Shmuel, Assaf, et al.
Veröffentlicht: (2024)

PowerGraph-LLM: Novel Power Grid Graph Embedding and Optimization with Large Language Models
von: Bernier, Fabien, et al.
Veröffentlicht: (2025)

Mambular: A Sequential Model for Tabular Deep Learning
von: Thielmann, Anton Frederik, et al.
Veröffentlicht: (2024)

Iterative Feature Exclusion Ranking for Deep Tabular Learning
von: Shaninah, Fathi Said Emhemed, et al.
Veröffentlicht: (2024)

On the Efficiency of NLP-Inspired Methods for Tabular Deep Learning
von: Thielmann, Anton Frederik, et al.
Veröffentlicht: (2024)

Unveiling the Role of Data Uncertainty in Tabular Deep Learning
von: Kartashev, Nikolay, et al.
Veröffentlicht: (2025)

Robust Tabular Foundation Models
von: Peroni, Matthew, et al.
Veröffentlicht: (2025)

LLM Embeddings for Deep Learning on Tabular Data
von: Koloski, Boshko, et al.
Veröffentlicht: (2025)

Interpretable Deep Clustering for Tabular Data
von: Svirsky, Jonathan, et al.
Veröffentlicht: (2023)

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

TabularMark: Watermarking Tabular Datasets for Machine Learning
von: Zheng, Yihao, et al.
Veröffentlicht: (2024)

Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later
von: Ye, Han-Jia, et al.
Veröffentlicht: (2024)

CLIMB: Class-imbalanced Learning Benchmark on Tabular Data
von: Liu, Zhining, et al.
Veröffentlicht: (2025)

On the Limits of Tabular Hardness Metrics for Deep RL: A Study with the Pharos Benchmark
von: Conserva, Michelangelo, et al.
Veröffentlicht: (2025)

How Well Does Your Tabular Generator Learn the Structure of Tabular Data?
von: Jiang, Xiangjian, et al.
Veröffentlicht: (2025)

ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks
von: Martnishn, Rowan
Veröffentlicht: (2026)

Real-Time Explanations for Tabular Foundation Models
von: Sena, Luan Borges Teodoro Reis, et al.
Veröffentlicht: (2026)