Buchumschlag

Evaluating the Evaluators: Trust in Adversarial Robustness Tests

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cinà, Antonio Emanuele, Pintor, Maura, Demetrio, Luca, Demontis, Ambra, Biggio, Battista, Roli, Fabio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Artificial Intelligence Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AttackBench: Evaluating Gradient-based Attacks for Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches
von: Pintor, Maura, et al.
Veröffentlicht: (2022)

Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
von: Piras, Giorgio, et al.
Veröffentlicht: (2024)

Energy-Latency Attacks via Sponge Poisoning
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2022)

Machine Learning Security against Data Poisoning: Are We There Yet?
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2022)

$σ$-zero: Gradient-based Optimization of $\ell_0$-norm Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

Prototype-Guided Robust Learning against Backdoor Attacks
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Buffer-free Class-Incremental Learning with Out-of-Distribution Detection
von: Gupta, Srishti, et al.
Veröffentlicht: (2025)

Harnessing Hyperbolic Geometry for Harmful Prompt Detection and Sanitization
von: Maljkovic, Igor, et al.
Veröffentlicht: (2026)

Sonic: Fast and Transferable Data Poisoning on Clustering Algorithms
von: Villani, Francesco, et al.
Veröffentlicht: (2024)

Silent Until Sparse: Backdoor Attacks on Semi-Structured Sparsity
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates
von: Angioni, Daniele, et al.
Veröffentlicht: (2024)

SLIFER: Investigating Performance and Robustness of Malware Detection Pipelines
von: Ponte, Andrea, et al.
Veröffentlicht: (2024)

Backdoor Learning Curves: Explaining Backdoor Poisoning Beyond Influence Functions
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2021)

Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection
von: Ponte, Andrea, et al.
Veröffentlicht: (2025)

Robust Synthetic Data-Driven Detection of Living-Off-the-Land Reverse Shells
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2024)

Robust image classification with multi-modal large language models
von: Villani, Francesco, et al.
Veröffentlicht: (2024)

Certified Adversarial Robustness of Machine Learning-based Malware Detectors via (De)Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python
von: Demetrio, Luca, et al.
Veröffentlicht: (2021)

Nebula: Self-Attention for Dynamic Malware Analysis
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2023)

S2AP: Score-space Sharpness Minimization for Adversarial Pruning
von: Piras, Giorgio, et al.
Veröffentlicht: (2025)

Towards Million-Scale Adversarial Robustness Evaluation With Stronger Individual Attacks
von: Xie, Yong, et al.
Veröffentlicht: (2024)

Physical Evaluation of Naturalistic Adversarial Patches for Camera-Based Traffic-Sign Detection
von: D'Urso, Brianna, et al.
Veröffentlicht: (2026)

Adversarial Robustness of Vision in Open Foundation Models
von: Fox, Jonathon, et al.
Veröffentlicht: (2025)

ROBIN: Robust and Invisible Watermarks for Diffusion Models with Adversarial Optimization
von: Huang, Huayang, et al.
Veröffentlicht: (2024)

Robustness Analysis against Adversarial Patch Attacks in Fully Unmanned Stores
von: Na, Hyunsik, et al.
Veröffentlicht: (2025)

Disentangling Adversarial Prompts: A Semantic-Graph Defense for Robust LLM Security
von: Fang, Xiang, et al.
Veröffentlicht: (2026)

On the Adversarial Robustness of Large Vision-Language Models under Visual Token Compression
von: Zhang, Xinwei, et al.
Veröffentlicht: (2026)

Watertox: The Art of Simplicity in Universal Attacks A Cross-Model Framework for Robust Adversarial Generation
von: Gao, Zhenghao, et al.
Veröffentlicht: (2024)

Empirical Quantification of Spurious Correlations in Malware Detection
von: Perasso, Bianca, et al.
Veröffentlicht: (2025)

Exploring the Adversarial Frontier: Quantifying Robustness via Adversarial Hypervolume
von: Guo, Ping, et al.
Veröffentlicht: (2024)

Blending adversarial training and representation-conditional purification via aggregation improves adversarial robustness
von: Ballarin, Emanuele, et al.
Veröffentlicht: (2023)

Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

On the Importance of Backbone to the Adversarial Robustness of Object Detectors
von: Li, Xiao, et al.
Veröffentlicht: (2023)

The Impact of Scaling Training Data on Adversarial Robustness
von: Zimmerli, Marco, et al.
Veröffentlicht: (2025)

Comparative Evaluation of Deep Learning Models for Fake Image Detection
von: Pakala, Akhitha, et al.
Veröffentlicht: (2026)

Updating Windows Malware Detectors: Balancing Robustness and Regression against Adversarial EXEmples
von: Kozak, Matous, et al.
Veröffentlicht: (2024)

Sy-FAR: Symmetry-based Fair Adversarial Robustness
von: Najjar, Haneen, et al.
Veröffentlicht: (2025)

Standard-Deviation-Inspired Regularization for Improving Adversarial Robustness
von: Fakorede, Olukorede, et al.
Veröffentlicht: (2024)

Impact of Architectural Modifications on Deep Learning Adversarial Robustness
von: Juraev, Firuz, et al.
Veröffentlicht: (2024)