Robustez post-hoc para aprendizaje por refuerzo basado en modelos
Mejora la robustez de agentes de RL en inferencia sin entrenar, usando control predictivo con rollouts adversariales y mitigando problemas fuera de distribución.
#robustez adversaria
Ataques de caja negra, adaptativos y eficientes para romper LLMs
Nuevo ataque IHO vulnera LLMs incluso con defensas avanzadas. Evalúa robustez adversarial de forma eficiente y transferible. ¡Descúbrelo!
Sensibilidad: espada de doble filo entre discriminabilidad y robustez
Descubre cómo la sensibilidad de clasificadores es un arma de doble filo, y cómo HPM equilibra discriminabilidad y robustez adversarial. ¡Lee más!
Un marco Bayesiano unificador para la robustez adversarial
Aprende cómo un marco Bayesiano unificador permite defensas proactivas y reactivas contra ataques adversariales, mejorando la seguridad de la IA.
Calibrando la incertidumbre en CLIP adversarial zero-shot
Descubre nuevo método de fine-tuning adversarial para CLIP calibra la incertidumbre y mejora robustez sin perder precisión en clasificación zero-shot.
Combinación de ruido y filtro bilateral para robustez adversarial en CNN
Un preprocesador simple combina ruido gaussiano y filtro bilateral para lograr robustez adversarial supralineal en CNNs con bajo costo computacional.
Repensando los paradigmas de evaluación en entrenamiento certificado IBP
Descubre cómo las fronteras de Pareto y la optimización automatizada revelan rendimientos superiores en entrenamiento certificado.
CEAR: Robustez Adversarial Certificada con Ensambles en DNNs
Descubre CEAR: mejora la robustez adversarial certificada en DNNs usando ensambles con ruido y votación. Superior en MNIST, CIFAR10 y TinyImageNet.
TASER: Regularización Stein para robustez guiada por geometría
Descubre TASER, un método de regularización que mejora la robustez adversarial sin degradar la precisión. Basado en operadores Stein, ideal para deep learning.
Robustez adversarial mejorada cuánticamente en inteligencia artificial
Robustez adversarial cuántica en IA: cómo la computación cuántica protege modelos de aprendizaje automático de ataques adversarios.
Mejorando la robustez adversarial de la atribución mediante regularización implícita
Robustez adversarial en atribución: la regularización implícita protege modelos contra ataques. Descubre su impacto en la seguridad.
Defensa causal certificada con robustez generalizable
Robustez generalizable para defensa causal certificada. Estrategias avanzadas que mejoran la seguridad y fiabilidad de modelos de IA.