Buchumschlag

One Stone, Two Birds: Enhancing Adversarial Defense Through the Lens of Distributional Discrepancy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Jiacheng, Rubinstein, Benjamin I. P., Zhang, Jingfeng, Liu, Feng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Two Birds with One Stone: Multi-Task Detection and Attribution of LLM-Generated Text
von: Rao, Zixin, et al.
Veröffentlicht: (2025)

Enhancing the Antidote: Improved Pointwise Certifications against Poisoning Attacks
von: Liu, Shijie, et al.
Veröffentlicht: (2023)

Understanding In-Context Learning of Linear Models in Transformers Through an Adversarial Lens
von: Anwar, Usman, et al.
Veröffentlicht: (2024)

Enhancing the "Immunity" of Mixture-of-Experts Networks for Adversarial Defense
von: Han, Qiao, et al.
Veröffentlicht: (2024)

Short-length Adversarial Training Helps LLMs Defend Long-length Jailbreak Attacks: Theoretical and Empirical Evidence
von: Fu, Shaopeng, et al.
Veröffentlicht: (2025)

Provably Cost-Sensitive Adversarial Defense via Randomized Smoothing
von: Xin, Yuan, et al.
Veröffentlicht: (2023)

FedBAP: Backdoor Defense via Benign Adversarial Perturbation in Federated Learning
von: Yan, Xinhai, et al.
Veröffentlicht: (2025)

Taking off the Rose-Tinted Glasses: A Critical Look at Adversarial ML Through the Lens of Evasion Attacks
von: Eykholt, Kevin, et al.
Veröffentlicht: (2024)

IDEA: Invariant Defense for Graph Adversarial Robustness
von: Tao, Shuchang, et al.
Veröffentlicht: (2023)

A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems
von: Tafreshian, Benyamin, et al.
Veröffentlicht: (2025)

Certifiable Black-Box Attacks with Randomized Adversarial Examples: Breaking Defenses with Provable Confidence
von: Hong, Hanbin, et al.
Veröffentlicht: (2023)

Position: Certified Robustness Does Not (Yet) Imply Model Security
von: Cullen, Andrew C., et al.
Veröffentlicht: (2025)

A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2026)

Adversarial Suffix Filtering: a Defense Pipeline for LLMs
von: Khachaturov, David, et al.
Veröffentlicht: (2025)

Enhancing Adversarial Attacks via Parameter Adaptive Adversarial Attack
von: Jin, Zhibo, et al.
Veröffentlicht: (2024)

Test-time Adversarial Defense with Opposite Adversarial Path and High Attack Time Cost
von: Yeh, Cheng-Han, et al.
Veröffentlicht: (2024)

Understanding Sensitivity of Differential Attention through the Lens of Adversarial Robustness
von: Takahashi, Tsubasa, et al.
Veröffentlicht: (2025)

Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses
von: Wang, Yongyu
Veröffentlicht: (2025)

Elevating Defenses: Bridging Adversarial Training and Watermarking for Model Resilience
von: Thakkar, Janvi, et al.
Veröffentlicht: (2023)

Two Birds with One Stone: Differential Privacy by Low-power SRAM Memory
von: Liu, Jianqing, et al.
Veröffentlicht: (2024)

Enhancing Security in Deep Reinforcement Learning: A Comprehensive Survey on Adversarial Attacks and Defenses
von: Yichao, Wu, et al.
Veröffentlicht: (2025)

RS-Del: Edit Distance Robustness Certificates for Sequence Classifiers via Randomized Deletion
von: Huang, Zhuoqun, et al.
Veröffentlicht: (2023)

One Step to the Side: Why Defenses Against Malicious Finetuning Fail Under Adaptive Adversaries
von: Zloczower, Itay, et al.
Veröffentlicht: (2026)

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

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

Data-centric NLP Backdoor Defense from the Lens of Memorization
von: Wang, Zhenting, et al.
Veröffentlicht: (2024)

Explainable Autonomous Cyber Defense using Adversarial Multi-Agent Reinforcement Learning
von: Zhang, Yiyao, et al.
Veröffentlicht: (2026)

Continual Adversarial Defense
von: Wang, Qian, et al.
Veröffentlicht: (2023)

AdaptDel: Adaptable Deletion Rate Randomized Smoothing for Certified Robustness
von: Huang, Zhuoqun, et al.
Veröffentlicht: (2025)

CERT-ED: Certifiably Robust Text Classification for Edit Distance
von: Huang, Zhuoqun, et al.
Veröffentlicht: (2024)

Low Rank Adaptation for Adversarial Perturbation
von: Liu, Han, et al.
Veröffentlicht: (2026)

MIST: Defending Against Membership Inference Attacks Through Membership-Invariant Subspace Training
von: Li, Jiacheng, et al.
Veröffentlicht: (2023)

Combining Machine Learning Defenses without Conflicts
von: Duddu, Vasisht, et al.
Veröffentlicht: (2024)

Evaluations of Machine Learning Privacy Defenses are Misleading
von: Aerni, Michael, et al.
Veröffentlicht: (2024)

Subspace Defense: Discarding Adversarial Perturbations by Learning a Subspace for Clean Signals
von: Zheng, Rui, et al.
Veröffentlicht: (2024)

Certified Defense on the Fairness of Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2023)

Adaptive Deception Framework with Behavioral Analysis for Enhanced Cybersecurity Defense
von: AL-Zahrani, Basil Abdullah
Veröffentlicht: (2025)

A Causal Perspective for Enhancing Jailbreak Attack and Defense
von: Pan, Licheng, et al.
Veröffentlicht: (2026)

Robustness Inspired Graph Backdoor Defense
von: Zhang, Zhiwei, et al.
Veröffentlicht: (2024)

Rogue Cell: Adversarial Attack and Defense in Untrusted O-RAN Setup Exploiting the Traffic Steering xApp
von: Aizikovich, Eran, et al.
Veröffentlicht: (2025)