Buchumschlag

A Neural Rejection System Against Universal Adversarial Perturbations in Radio Signal Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Lu, Lambotharan, Sangarapillai, Zheng, Gan, Roli, Fabio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Attention-based Adversarial Robust Distillation in Radio Signal Classifications for Low-Power IoT Devices
von: Zhang, Lu, et al.
Veröffentlicht: (2025)

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

A Hybrid Training-time and Run-time Defense Against Adversarial Attacks in Modulation Classification
von: Zhang, Lu, et al.
Veröffentlicht: (2024)

Orthogonal Subspace Projection for Continual Machine Unlearning via SVD-Based LoRA
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2026)

QuantFL: Sustainable Federated Learning for Edge IoT via Pre-Trained Model Quantisation
von: Herath, Charuka, et al.
Veröffentlicht: (2026)

Unifying Adversarial Perturbation for Graph Neural Networks
von: Yang, Jinluan, et al.
Veröffentlicht: (2025)

Maximizing Uncertainty for Federated learning via Bayesian Optimisation-based Model Poisoning
von: Aristodemou, Marios, et al.
Veröffentlicht: (2025)

Generating Universal Adversarial Perturbations for Quantum Classifiers
von: Anil, Gautham, et al.
Veröffentlicht: (2024)

Enhancing Federated Learning Convergence with Dynamic Data Queue and Data Entropy-driven Participant Selection
von: Herath, Charuka, et al.
Veröffentlicht: (2024)

Diffusion Guided Adversarial State Perturbations in Reinforcement Learning
von: Sun, Xiaolin, et al.
Veröffentlicht: (2025)

Perturbing the Phase: Analyzing Adversarial Robustness of Complex-Valued Neural Networks
von: Eilers, Florian, et al.
Veröffentlicht: (2026)

SOM Directions are Better than One: Multi-Directional Refusal Suppression in Language Models
von: Piras, Giorgio, et al.
Veröffentlicht: (2025)

Interpretation of Neural Networks is Susceptible to Universal Adversarial Perturbations
von: Oskouie, Haniyeh Ehsani, et al.
Veröffentlicht: (2022)

Volatility in Certainty (VC): A Metric for Detecting Adversarial Perturbations During Inference in Neural Network Classifiers
von: Hemmati, Vahid, et al.
Veröffentlicht: (2025)

How Worst-Case Are Adversarial Attacks? Linking Adversarial and Perturbation Robustness
von: Rossolini, Giulio
Veröffentlicht: (2026)

Evaluating the Evaluators: Trust in Adversarial Robustness Tests
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2025)

GJDNet: Robust Graph Neural Networks via Joint Disentangled Learning Against Adversarial Attacks
von: Cui, Canyixing, et al.
Veröffentlicht: (2026)

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

$β$-GNN: A Robust Ensemble Approach Against Graph Structure Perturbation
von: Aslan, Haci Ismail, et al.
Veröffentlicht: (2025)

Adversarial Training for Defense Against Label Poisoning Attacks
von: Bal, Melis Ilayda, et al.
Veröffentlicht: (2025)

Certified Robustness against Sparse Adversarial Perturbations via Data Localization
von: Pal, Ambar, et al.
Veröffentlicht: (2024)

Mitigating Adversarial Perturbations for Deep Reinforcement Learning via Vector Quantization
von: Luu, Tung M., et al.
Veröffentlicht: (2024)

Robust Deep Reinforcement Learning with Adaptive Adversarial Perturbations in Action Space
von: Liu, Qianmei, et al.
Veröffentlicht: (2024)

Improving EEG Signal Classification Accuracy Using Wasserstein Generative Adversarial Networks
von: Park, Joshua, et al.
Veröffentlicht: (2024)

Multi-Agent Reinforcement Learning Counteracts Delayed CSI in Multi-Satellite Systems
von: Aristodemou, Marios, et al.
Veröffentlicht: (2026)

Alert-ME: An Explainability-Driven Defense Against Adversarial Examples in Transformer-Based Text Classification
von: Sabir, Bushra, et al.
Veröffentlicht: (2023)

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

Beyond Importance Sampling: Rejection-Gated Policy Optimization
von: Sun, Ziwu, et al.
Veröffentlicht: (2026)

Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation
von: Cao, Hongyu, et al.
Veröffentlicht: (2026)

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

MaskPure: Improving Defense Against Text Adversaries with Stochastic Purification
von: Gietz, Harrison, et al.
Veröffentlicht: (2024)

FedReview: A Review Mechanism for Rejecting Poisoned Updates in Federated Learning
von: Zheng, Tianhang, et al.
Veröffentlicht: (2024)

Anomaly Detection with Adaptive and Aggressive Rejection for Contaminated Training Data
von: Lee, Jungi, et al.
Veröffentlicht: (2025)

Adversarial Training: A Survey
von: Zhao, Mengnan, et al.
Veröffentlicht: (2024)

APEX: Probing Neural Networks via Activation Perturbation
von: Ren, Tao, et al.
Veröffentlicht: (2026)

GRExplainer: A Universal Explanation Method for Temporal Graph Neural Networks
von: Li, Xuyan, et al.
Veröffentlicht: (2025)

Novel GPU Boruta algorithms for feature selection from high-dimensional data
von: Li, Xurui, et al.
Veröffentlicht: (2026)

Domain Adversarial Active Learning for Domain Generalization Classification
von: Chen, Jianting, et al.
Veröffentlicht: (2024)

FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2023)