Компьютерные науки > Комптурное видение и распознавание шаблона [представлено 9 сентября 2026 года] Название: Что делает антиверсионные примеры трансфером через глубоководные детекторы? Вид HTML (экспериментальное) Резюме: Деэпфакные детекторы по-прежнему уязвимы для атак на основе передачи чёрных коробок, в которых состязательные примеры генерируются на модели источника и передаются на модель цели, неизвестной нападавшему. Однако, как источник - целевая совместимость формирует успех по-прежнему плохо понимается. В ходе предыдущих исследований была проведена оценка ограниченных пулов детекторов и редко проводилось различие между архитектурными факторами, связанными с подготовкой кадров. Мы проводим контролируемую оценку состязательности в передаче данных по 60 детекторам, охватывающим шесть позвонков, два режима предварительной подготовки и пять конфигураций учебных данных с использованием двух процедур атак: AutoAttack (AA) и Карлини-Вагнера с ожиданием преобразования (WV-EOT). Совпадающие сопоставления свидетельствуют о значительно более высоком уровне передачи, когда источник и целевой показатель имеют точный основной элемент, семейство архитектуры, режим предварительной подготовки или данные об обучении. Эта структура совместимости зависит от нападения: точная совместимость позвоночника имеет наибольший эффект в рамках АА, тогда как обмен данными о предварительной подготовке и обучении оказывает наибольшее воздействие при ХО-ЕОТ. Когда передача усреднена по нецелевым…
Что делает непримиримые примеры трансфертными по глубокому изысканию?
arXiv:2609.10002v1 Annuate Type: Cross Briew: Deepfake disterstaters по-прежнему уязвимы для нападений с использованием " черного ящика &qt; на основе передачи, когда примеры состязательности генерируются на модели источника и передаются в модель цели, которая неизвестна нападавшему. Однако, как источник - целевая совместимость формирует успех по-прежнему плохо понимается. В ходе предыдущих исследований была проведена оценка ограниченных пулов детекторов и редко проводилось различие между архитектурными факторами, связанными с подготовкой кадров. Мы проводим контролируемую оценку состязательности в передаче данных по 60 детекторам, охватывающим шесть позвонков, два режима предварительной подготовки и пять конфигураций учебных данных с использованием двух процедур атак: AutoAttack (AA) и Карлини-Вагнера с ожиданием преобразования (WV-EOT). Совпадающие сопоставления свидетельствуют о значительно более высоком уровне передачи, когда источник и целевой показатель имеют точный основной элемент, семейство архитектуры, режим предварительной подготовки или данные об обучении. Эта структура совместимости зависит от атак: точная совместимость позвоночника имеет личинку