计算机科学 > 机器学习
[提交于 2024年9月20日
]
标题: 确定性与随机动态分类器:用噪声对抗随机对抗攻击
标题: Deterministic versus stochastic dynamical classifiers: opposing random adversarial attacks with noise
摘要: 连续变量发放率(CVFR)模型,广泛用于神经科学中描述兴奋性生物神经元的相互交织动力学,此处被训练和测试为一个真正的动态辅助分类器。 为此,该模型提供了一组植入的吸引子,这些吸引子通过其谱分解自洽地嵌入节点间耦合矩阵中。 学习分类相当于塑造施加平衡点的吸引盆地,将不同的项目引导至相应的目标位置,这反映了各自相关的类别。 还研究了CVFR模型的一个随机变体,并发现其对对抗性随机攻击具有鲁棒性,这些攻击会破坏待分类的项目。 这一显著发现是当噪声和动态属性被设计为相互共振时出现的众多令人惊讶的效果之一。
当前浏览上下文:
cond-mat.stat-mech
切换浏览方式为:
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.