Alchemy: Data-Free Adversarial Training.
本文提出了一种名为 Alchemy 的无数据对抗训练框架，旨在解决实际场景中模型鲁棒性提升面临的训练数据不可得问题。传统对抗训练方法通常依赖原始训练数据来生成对抗样本并增强模型鲁棒性，但随着开源模型平台和商业模型的普及，用户往往只能获得模型
#data-free
共收录 3 条相关情报。
← 返回所有主题FreeEagle: Detecting Complex Neural Trojans in Data-Free Cases.
本文针对深度神经网络中的木马（后门）攻击检测问题提出了一种新的无数据方法 FreeEagle。后门攻击是一种典型的人工智能威胁，被植入木马的模型在遇到带触发器的输入时会产生攻击者指定的异常行为，而在干净输入下表现正常。现有的后门检测方法大多
Fast and Lightweight Backdoor Detection via Head Random Probing
深度神经网络（DNN）仍然容易受到后门攻击，现有后门检测方法通常需要干净数据、代理数据、梯度或迭代触发器重建，导致计算成本高且在实际模型审计场景中鲁棒性有限。本文提出HTell，一种快速、轻量级且无需数据的后门检测方法，基于头部随机探针技术