Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Detecting adversarial inputs by looking in the black box

Autor: Carrara F., Falchi F., Amato G., Becarelli R., Caldelli R.

Publikováno v: ERCIM news (2019): 16–17.
info:cnr-pdr/source/autori:Carrara F.; Falchi F.; Amato G.; Becarelli R.; Caldelli R./titolo:Detecting adversarial inputs by looking in the black box/doi:/rivista:ERCIM news/anno:2019/pagina_da:16/pagina_a:17/intervallo_pagine:16–17/volume

The astonishing and cryptic effectiveness of Deep Neural Networks comes with the critical vulnerability to adversarial inputs - samples maliciously crafted to confuse and hinder machine learning models. Insights into the internal representations lear

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::2a80bd3a71974ad2c49a0898ea09bad4
https://ercim-news.ercim.eu/en116/special/detecting-adversarial-inputs-by-looking-in-the-black-box

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.