事件观察中
基于Fisher几何的结构化置信度扰动对抗训练
先了解这件事
AI 综述
11月10日，arXiv论文提出基于Fisher几何的结构化置信度扰动对抗训练：针对推高损失却不改变置信度结构的伪攻击，以交叉熵与KL散度混合目标在置信度流形上生成最大化分布距离的扰动，理论分析表明最优扰动方向与Fisher信息矩阵主特征向量一致，实验显示对抗鲁棒性与鲁棒迁移性优于现有方法。
AI 根据报道生成 · 2 天前更新
相关研究
这件事的论文
- 基于 Fisher 几何的结构化置信度扰动对抗训练
arXiv · 2026-11-10 · 深度解读
后续时间线
11月10日
- arXiv：对抗攻击、后门与投毒基于 Fisher 几何的结构化置信度扰动对抗训练
针对对抗训练中推高损失却不改变置信度结构的“伪攻击”，研究者提出交叉熵与 KL 散度混合目标，并在置信度流形上生成最大化分布距离的扰动。理论分析表明最优扰动方向与 Fisher 信息矩阵主特征向量一致。在多个数据集与模型架构上的实验显示，该方法的对抗鲁棒性与鲁棒迁移性优于现有方法，尤其擅长高置信区域内的结构化扰动。
相关讨论
关注度走势
每天新增来源
- 11月11日新增1个来源（1家媒体、0个账号）
- 11月12日新增0个来源（0家媒体、0个账号）
- 11月13日新增0个来源（0家媒体、0个账号）