AITP
精选全部 AI 动态AI 日报Agent 接入关于更新日志信源提报反馈
登录 / 注册
AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签:神经网络鲁棒性×
6月16日
20:46
AITOP6月16日 20:46
600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI
6月12日
12:57
AITOP6月12日 12:57
Claude代码里藏了个20260612,18个月后的AI记忆革命已经开始倒计时
6月11日
15:28
AITOP6月11日 15:28
1107 vs 303:谷歌悄悄开源了一个“拆打字机”的模型,把大模型速度翻了4倍
15:23
AITOP6月11日 15:23
DiffusionGemma颠覆文本生成?自回归模型的“统治”要结束了
15:07
AITOP6月11日 15:07
每秒1107个token,Google开源的扩散模型为什么能改变本地推理格局?
5月28日
12:02
12:02arXiv cs.LG@Jürgen Dölz, Michael Multerer, Michele Palma
传统上,神经网络的鲁棒性通过Lipschitz常数衡量,但该方法过于粗糙或严格,无法捕捉数据依赖的细微行为。本文提出基于离散模量连续性(DMOC)的数据驱动框架,它不依赖模型内部结构,而是通过数据分布评估网络的正则性。DMOC引入了可扩展的小批量算法,将计算成本从二次降为线性,适用于ImageNet等大规模数据集。实验表明,DMOC能区分已训练和未训练网络,揭示欠拟合和过拟合状态,并作为特例给出与最先进方法相当的紧Lipschitz估计。该框架为鲁棒性评估提供了更精细、数据驱动的替代方案。
论文神经网络鲁棒性Lipschitz常数数据驱动离散模量连续性大规模数据集

推荐理由:DMOC解决了Lipschitz常数在评估神经网络鲁棒性时的粗粒度问题,做模型安全或对抗性研究的团队可以直接用这个框架替代传统方法,尤其适合处理ImageNet级别的大规模数据。
原文
精选全部日报登录