热点事件持续更新
概率对抗训练新视角：KL散度下界作为鲁棒性代理目标
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026-10-01，arXiv发表统计学/机器学习研究，提出概率对抗训练（Probabilistic Adversarial Training）框架。该研究将对抗样本视为距离分布 p_dis 与受害者分类器分布 p_vic 的重叠，提出以 KL 散度下界作为概率鲁棒性（PR）的可计算代理目标。理论证明该目标可恢复缩放形式的对抗训练，并为现有非概率对抗训练方法提供增强 PR 的缩放因子。实验表明该方法一致提升概率鲁棒性，消融实验验证缩放因子对非概率方法的增益。
AI 根据报道生成 · 1 小时前更新
最新进展10月1日 12:00
arXiv发表概率对抗训练新框架，以KL散度下界为代理目标，理论恢复缩放对抗训练并为现有方法提供缩放因子增益。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv · Statistics Machine Learning概率对抗训练（Probabilistic Adversarial Training）
该研究从概率视角出发，将对抗样本视为距离分布 p_dis 与受害者分类器分布 p_vic 的重叠，提出以 KL 散度下界作为概率鲁棒性（PR）的可计算代理目标。理论证明该目标可恢复缩放形式的对抗训练，并为现有非概率对抗训练方法提供增强 PR 的缩放因子。实验表明该方法一致提升概率鲁棒性，消融实验验证缩放因子对非概率方法的增益。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。