Buchumschlag

rSDNet: Unified Robust Neural Learning against Label Noise and Adversarial Attacks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jana, Suryasis, Ghosh, Abhik
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Provably robust learning of regression neural networks using $β$-divergences
von: Ghosh, Abhik, et al.
Veröffentlicht: (2026)

Robust Inference for Non-Linear Regression Models with Applications in Enzyme Kinetics
von: Jana, Suryasis, et al.
Veröffentlicht: (2024)

Label Noise Robustness of Conformal Prediction
von: Einbinder, Bat-Sheva, et al.
Veröffentlicht: (2022)

Attacking Bayes: On the Adversarial Robustness of Bayesian Neural Networks
von: Feng, Yunzhen, et al.
Veröffentlicht: (2024)

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
von: Ren, Yutian, et al.
Veröffentlicht: (2024)

Adaptive Learning of the Latent Space of Wasserstein Generative Adversarial Networks
von: Qiu, Yixuan, et al.
Veröffentlicht: (2024)

Neural Networks Decoded: Targeted and Robust Analysis of Neural Network Decisions via Causal Explanations and Reasoning
von: Diallo, Alec F., et al.
Veröffentlicht: (2024)

De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
von: Zhao, Yonghe, et al.
Veröffentlicht: (2023)

Effective Causal Discovery under Identifiable Heteroscedastic Noise Model
von: Yin, Naiyu, et al.
Veröffentlicht: (2023)

Towards Learning and Explaining Indirect Causal Effects in Neural Networks
von: Reddy, Abbavaram Gowtham, et al.
Veröffentlicht: (2023)

Generalized Independent Noise Condition for Estimating Causal Structure with Latent Variables
von: Xie, Feng, et al.
Veröffentlicht: (2023)

Unifying and extending Precision Recall metrics for assessing generative models
von: Sykes, Benjamin, et al.
Veröffentlicht: (2024)

Unifying Perspectives: Plausible Counterfactual Explanations on Global, Group-wise, and Local Levels
von: Furman, Oleksii, et al.
Veröffentlicht: (2024)

Asymptotic breakdown point analysis of the minimum density power divergence estimator under independent non-homogeneous setups
von: Jana, Suryasis, et al.
Veröffentlicht: (2025)

TRUST: Transparent, Robust and Ultra-Sparse Trees
von: Dorador, Albert
Veröffentlicht: (2025)

The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
von: Yi, Huiyang, et al.
Veröffentlicht: (2025)

TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models
von: González, Javier, et al.
Veröffentlicht: (2023)

Generally-Occurring Model Change for Robust Counterfactual Explanations
von: Xu, Ao, et al.
Veröffentlicht: (2024)

Mind the GAP: Improving Robustness to Subpopulation Shifts with Group-Aware Priors
von: Rudner, Tim G. J., et al.
Veröffentlicht: (2024)

CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios
von: Yi, Huiyang, et al.
Veröffentlicht: (2026)

Robust Classification of High-Dimensional Data using Data-Adaptive Energy Distance
von: Choudhury, Jyotishka Ray, et al.
Veröffentlicht: (2023)

A Framework for Nonstationary Gaussian Processes with Neural Network Parameters
von: James, Zachary, et al.
Veröffentlicht: (2025)

iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models
von: Chen, Tianyu, et al.
Veröffentlicht: (2023)

When Graph Neural Network Meets Causality: Opportunities, Methodologies and An Outlook
von: Jiang, Wenzhao, et al.
Veröffentlicht: (2023)

Data-Augmented Few-Shot Neural Emulator for Computer-Model System Identification
von: Jantre, Sanket, et al.
Veröffentlicht: (2025)

Enhancing the Performance of Neural Networks Through Causal Discovery and Integration of Domain Knowledge
von: Zhang, Xiaoge, et al.
Veröffentlicht: (2023)

A Two-Stage Feature Selection Approach for Robust Evaluation of Treatment Effects in High-Dimensional Observational Data
von: Islam, Md Saiful, et al.
Veröffentlicht: (2021)

Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens
von: Lakkaraju, Kausik, et al.
Veröffentlicht: (2024)

Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning
von: Zhang, Jiaru, et al.
Veröffentlicht: (2025)

Causal Temporal Regime Structure Learning
von: Rahmani, Abdellah, et al.
Veröffentlicht: (2023)

Le Cam Distortion: A Decision-Theoretic Framework for Robust Transfer Learning
von: Akdemir, Deniz
Veröffentlicht: (2025)

From Ground Truth to Measurement: A Statistical Framework for Human Labeling
von: Chew, Robert, et al.
Veröffentlicht: (2026)

Distribution Matching for Self-Supervised Transfer Learning
von: Jiao, Yuling, et al.
Veröffentlicht: (2025)

Measure-Theoretic Anti-Causal Representation Learning
von: Behnam, Arman, et al.
Veröffentlicht: (2025)

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

DIGIC: Domain Generalizable Imitation Learning by Causal Discovery
von: Chen, Yang, et al.
Veröffentlicht: (2024)

Learning Causal Abstractions of Linear Structural Causal Models
von: Massidda, Riccardo, et al.
Veröffentlicht: (2024)

Learning DAGs from Data with Few Root Causes
von: Misiakos, Panagiotis, et al.
Veröffentlicht: (2023)

Scalable Spatiotemporal Prediction with Bayesian Neural Fields
von: Saad, Feras, et al.
Veröffentlicht: (2024)

Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
von: Sookkongwaree, Chakattrai, et al.
Veröffentlicht: (2025)