Buchumschlag

NPAT Null-Space Projected Adversarial Training Towards Zero Deterioration

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hu, Hanyi, Han, Qiao, Chen, Kui, Yang, Yao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

AlphaSteer: Learning Refusal Steering with Principled Null-Space Constraint
von: Sheng, Leheng, et al.
Veröffentlicht: (2025)

Disttack: Graph Adversarial Attacks Toward Distributed GNN Training
von: Zhang, Yuxiang, et al.
Veröffentlicht: (2024)

Perturbation Towards Easy Samples Improves Targeted Adversarial Transferability
von: Gao, Junqi, et al.
Veröffentlicht: (2024)

Explanation as a Watermark: Towards Harmless and Multi-bit Model Ownership Verification via Watermarking Feature Attribution
von: Shao, Shuo, et al.
Veröffentlicht: (2024)

Information Theoretic Adversarial Training of Large Language Models
von: Zhang, Yiwei, et al.
Veröffentlicht: (2026)

AESOP: Adversarial Execution-path Selection to Overload Deep Learning Pipelines
von: Li, Tingxi, et al.
Veröffentlicht: (2026)

Defending Against Unforeseen Failure Modes with Latent Adversarial Training
von: Casper, Stephen, et al.
Veröffentlicht: (2024)

Embedding Hidden Adversarial Capabilities in Pre-Trained Diffusion Models
von: Beerens, Lucas, et al.
Veröffentlicht: (2025)

Channel-Level Semantic Perturbations: Unlearnable Examples for Diverse Training Paradigms
von: Wang, Bo, et al.
Veröffentlicht: (2026)

Mitigating the Structural Bias in Graph Adversarial Defenses
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

Adversarial Reinforcement Learning for Offensive and Defensive Agents in a Simulated Zero-Sum Network Environment
von: Shahid, Abrar, et al.
Veröffentlicht: (2025)

Quantifying the Noise of Structural Perturbations on Graph Adversarial Attacks
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

Unveiling the Backdoor Mechanism Hidden Behind Catastrophic Overfitting in Fast Adversarial Training
von: Zhao, Mengnan, et al.
Veröffentlicht: (2026)

Generalist++: A Meta-learning Framework for Mitigating Trade-off in Adversarial Training
von: Wang, Yisen, et al.
Veröffentlicht: (2025)

TEESlice: Protecting Sensitive Neural Network Models in Trusted Execution Environments When Attackers have Pre-Trained Models
von: Li, Ding, et al.
Veröffentlicht: (2024)

Towards Trustworthy AI: Secure Deepfake Detection using CNNs and Zero-Knowledge Proofs
von: Islam, H M Mohaimanul, et al.
Veröffentlicht: (2025)

DATABench: Evaluating Dataset Auditing in Deep Learning from an Adversarial Perspective
von: Shao, Shuo, et al.
Veröffentlicht: (2025)

Investigating the Impact of Quantization on Adversarial Robustness
von: Li, Qun, et al.
Veröffentlicht: (2024)

On the Duality Between Sharpness-Aware Minimization and Adversarial Training
von: Zhang, Yihao, et al.
Veröffentlicht: (2024)

Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges
von: Efatinasab, Emad, et al.
Veröffentlicht: (2025)

Untargeted Adversarial Attack on Knowledge Graph Embeddings
von: Zhao, Tianzhe, et al.
Veröffentlicht: (2024)

GenoArmory: A Unified Evaluation Framework for Adversarial Attacks on Genomic Foundation Models
von: Luo, Haozheng, et al.
Veröffentlicht: (2025)

VISAT: Benchmarking Adversarial and Distribution Shift Robustness in Traffic Sign Recognition with Visual Attributes
von: Yu, Simon, et al.
Veröffentlicht: (2025)

AEGIS: Adversarial Target-Guided Retention-Data-Free Robust Concept Erasure from Diffusion Models
von: Li, Fengpeng, et al.
Veröffentlicht: (2026)

VFLGAN: Vertical Federated Learning-based Generative Adversarial Network for Vertically Partitioned Data Publication
von: Yuan, Xun, et al.
Veröffentlicht: (2024)

Vision Transformer with Adversarial Indicator Token against Adversarial Attacks in Radio Signal Classifications
von: Zhang, Lu, et al.
Veröffentlicht: (2025)

BadReward: Clean-Label Poisoning of Reward Models in Text-to-Image RLHF
von: Duan, Kaiwen, et al.
Veröffentlicht: (2025)

Null Space Properties of Neural Networks with Applications to Image Steganography
von: Li, Xiang, et al.
Veröffentlicht: (2024)

GuardReasoner: Towards Reasoning-based LLM Safeguards
von: Liu, Yue, et al.
Veröffentlicht: (2025)

Self-interpreting Adversarial Images
von: Zhang, Tingwei, et al.
Veröffentlicht: (2024)

Towards Understanding Dual BN In Hybrid Adversarial Training
von: Zhang, Chenshuang, et al.
Veröffentlicht: (2024)

FedTracker: Furnishing Ownership Verification and Traceability for Federated Learning Model
von: Shao, Shuo, et al.
Veröffentlicht: (2022)

IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2025)

Towards Achieving Near-optimal Utility for Privacy-Preserving Federated Learning via Data Generation and Parameter Distortion
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2023)

Adversarial Machine Learning Threats to Spacecraft
von: Thummala, Rajiv, et al.
Veröffentlicht: (2024)

Topological Signatures of Adversaries in Multimodal Alignments
von: Vu, Minh, et al.
Veröffentlicht: (2025)

Adversarial Illusions in Multi-Modal Embeddings
von: Zhang, Tingwei, et al.
Veröffentlicht: (2023)

Are Robust LLM Fingerprints Adversarially Robust?
von: Nasery, Anshul, et al.
Veröffentlicht: (2025)

A General Black-box Adversarial Attack on Graph-based Fake News Detectors
von: Zhu, Peican, et al.
Veröffentlicht: (2024)