adversarial-learning

标签

Cards List
#adversarial-learning

对抗性分批在线学习

arXiv cs.LG ↗ · 5天前 缓存

介绍了对抗性分批在线学习,其中学习者只能在外部施加的批次边界处更新其策略,并为随机多臂老虎机、在线凸优化、专家建议预测和对抗性多臂老虎机建立了遗憾界刻画。

0 人收藏 0 人点赞
#adversarial-learning

受控极小极大:通过控制理论稳定对抗优化

arXiv cs.LG ↗ · 2026-10-12 缓存

清华团队提出 Controlled-Minimax 框架,将对抗训练动力学建模为二阶常微分方程,并通过设计反馈控制器为极小极大优化提供局部指数稳定性保证,有效抑制生成对抗网络训练中的振荡与极限环问题。

0 人收藏 0 人点赞
#adversarial-learning

用协同训练的监控器改进可扩展监督

arXiv cs.LG ↗ · 2026-09-30 缓存

本文研究在「工人-监控器」监督架构中,将监控器与对抗性 AI 工人进行协同训练,以防止监控器被规避。作者通过 Littlestone 维度证明了一种监督刻画,并提出了测试时蒸馏的自监督方法,同时进行了代码安全压力测试。

0 人收藏 0 人点赞
#adversarial-learning

面向无知对手下多臂老虎机的最优切换遗憾

arXiv cs.LG ↗ · 2026-09-15 缓存

本文解决了一个开放问题,表明一个单一算法在无知对手下的多臂老虎机中,针对每个S值都能实现最优切换遗憾。

0 人收藏 0 人点赞
#adversarial-learning

逆向自触发控制:针对稀疏拒绝服务攻击的对抗强化学习

arXiv cs.LG ↗ · 2026-09-14 缓存

本文提出了一种对抗强化学习代理,该代理学习通过稀疏拒绝服务攻击来干扰自触发控制器,在诸如 Pendulum 和 Quadrotor2D 等控制系统上超越了基线方法。

0 人收藏 0 人点赞
#adversarial-learning

OBJECTION! 律师代理缓解法律判决预测中的有罪偏见

arXiv cs.CL ↗ · 2026-09-03 缓存

本文介绍了OBJECTION,一个推理时流水线,使用对抗性律师代理来缓解法律判决预测模型中的有罪偏见,展示了错误有罪率的显著降低,并发布了一个新的'Natural Innocent'数据集。

0 人收藏 0 人点赞
#adversarial-learning

在坐标系中生成,而非边界上:LTN-GANs中硬约束的函数符号接地

arXiv cs.AI ↗ · 2026-08-25 缓存

本文介绍了在LTN-GANs中使用函数符号接地来处理生成模型中的硬结构约束,表明它比现有方法更忠实地学习边缘分布,并在高分辨率数据集上进行了验证。

0 人收藏 0 人点赞
#adversarial-learning

欺骗性神谕下的序列预测

arXiv cs.LG ↗ · 2026-08-17 缓存

本文提出了在随机和对抗环境中,在欺骗性神谕下进行序列预测的算法,为捕获预测复杂度的成本函数证明了对数遗憾界限。

0 人收藏 0 人点赞
#adversarial-learning

基于对抗学习的无分类器指导调度

arXiv cs.LG ↗ · 2026-08-17 缓存

本文提出使用对抗学习来学习扩散模型的动态无分类器指导调度,通过调整指导尺度以适应不同状态,从而提升文本到图像生成质量。

0 人收藏 0 人点赞
#adversarial-learning

基于梯度反转和变分信息瓶颈的欺骗检测语言偏见缓解

arXiv cs.CL ↗ · 2026-07-01 缓存

本文提出了一种语言不变的欺骗检测框架,采用师生对抗学习和变分信息瓶颈来缓解语言偏见,在九个数据集上实现了高达36.2%的相对等错误率降低。

0 人收藏 0 人点赞
#adversarial-learning

A3M: 自适应、对抗性与多目标学习用于重复拍卖中的战略投标

arXiv cs.CL ↗ · 2026-06-30 缓存

介绍了A3M,一个结合自适应深度强化学习、对抗性推理和多目标奖励设计的框架,用于重复拍卖中的战略投标,实现了30-40%的遗憾降低。

0 人收藏 0 人点赞
#adversarial-learning

利用Wasserstein对抗学习纠正传感器引起的分布漂移

arXiv cs.LG ↗ · 2026-06-18 缓存

提出了一种基于Wasserstein-GAN的方法,用于传感器引起的分布漂移的无监督校准,并在跟踪探测器玩具模型和带有老化效应的模拟量能器数据上进行了验证。

0 人收藏 0 人点赞
#adversarial-learning

通过教师对齐的端到端蒸馏实现高保真两步图像生成

Hugging Face Daily Papers ↗ · 2026-06-10 缓存

本文介绍了Z-Image Turbo++,这是一个两步图像生成模型,通过使用分布对齐的对抗学习、步骤解耦参数化以及带有迭代正则化的端到端训练,从八步教师模型中蒸馏而来,旨在缩小与多步生成之间的质量差距。

0 人收藏 0 人点赞
#adversarial-learning

使用分布对齐对抗性蒸馏估计黑盒LLM的不确定性

arXiv cs.CL ↗ · 2026-05-08 缓存

本文提出了一种分布对齐对抗性蒸馏(DisAAD)方法,该方法使用一个轻量级代理模型,仅以原始模型1%的规模来估计黑盒大语言模型的不确定性,实现了无需内部参数或多次采样的可靠量化。

0 人收藏 0 人点赞
← 返回首页

提交意见反馈