Zobrazeno 1 - 10
of 56 747
pro vyhledávání: '"Carlini AS"'
Publikováno v:
Dalhousie French Studies, 2020 Jan 01. 115, 125-74.
Externí odkaz:
https://www.jstor.org/stable/45282350
Autor:
Sarkar, Trilokesh Ranjan, Das, Nilanjan, Maitra, Pralay Sankar, Some, Bijoy, Saha, Ritwik, Adhikary, Orijita, Bose, Bishal, Sen, Jaydip
This technical report delves into an in-depth exploration of adversarial attacks specifically targeted at Deep Neural Networks (DNNs) utilized for image classification. The study also investigates defense mechanisms aimed at bolstering the robustness
Externí odkaz:
http://arxiv.org/abs/2404.04245
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Sacchetti, Andrea
Carlini's career was mainly dedicated to astronomy, but he was also a particularly skilled mathematician. In this article we collect and analyse his mathematical contributions in detail. In particular, in his important Memoir of the year 1817 devoted
Externí odkaz:
http://arxiv.org/abs/2002.02679
Autor:
Censer, Marjorie
Publikováno v:
Inside the Pentagon, 2019 Aug 01. 35(31), 12-12.
Externí odkaz:
https://www.jstor.org/stable/26754813
We examine the numerical approximation of time-dependent Hamilton-Jacobi equations on networks, providing a convergence error estimate for the semi-Lagrangian scheme introduced in (Carlini and Siconolfi, 2023), where convergence was proven without an
Externí odkaz:
http://arxiv.org/abs/2411.02356
Autor:
Carlini, Nicholas, Chávez-Saab, Jorge, Hambitzer, Anna, Rodríguez-Henríquez, Francisco, Shamir, Adi
Deep neural networks (DNNs) are valuable assets, yet their public accessibility raises security concerns about parameter extraction by malicious actors. Recent work by Carlini et al. (crypto'20) and Canales-Mart\'inez et al. (eurocrypt'24) has drawn
Externí odkaz:
http://arxiv.org/abs/2410.05750
Feature squeezing is a recently-introduced framework for mitigating and detecting adversarial examples. In previous work, we showed that it is effective against several earlier methods for generating adversarial examples. In this short note, we repor
Externí odkaz:
http://arxiv.org/abs/1705.10686