Articles de revues sur le sujet « Fast Gradient Sign Method (FGSM) »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Fast Gradient Sign Method (FGSM) ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
Hong, Dian, Deng Chen, Yanduo Zhang, Huabing Zhou et Liang Xie. « Attacking Robot Vision Models Efficiently Based on Improved Fast Gradient Sign Method ». Applied Sciences 14, no 3 (2 février 2024) : 1257. http://dx.doi.org/10.3390/app14031257.
Texte intégralLong, Sheng, Wei Tao, Shuohao LI, Jun Lei et Jun Zhang. « On the Convergence of an Adaptive Momentum Method for Adversarial Attacks ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 13 (24 mars 2024) : 14132–40. http://dx.doi.org/10.1609/aaai.v38i13.29323.
Texte intégralPan, Chao, Qing Li et Xin Yao. « Adversarial Initialization with Universal Adversarial Perturbation : A New Approach to Fast Adversarial Training ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 19 (24 mars 2024) : 21501–9. http://dx.doi.org/10.1609/aaai.v38i19.30147.
Texte intégralWibawa, Sigit. « Analysis of Adversarial Attacks on AI-based With Fast Gradient Sign Method ». International Journal of Engineering Continuity 2, no 2 (1 août 2023) : 72–79. http://dx.doi.org/10.58291/ijec.v2i2.120.
Texte intégralKadhim, Ansam, et Salah Al-Darraji. « Face Recognition System Against Adversarial Attack Using Convolutional Neural Network ». Iraqi Journal for Electrical and Electronic Engineering 18, no 1 (6 novembre 2021) : 1–8. http://dx.doi.org/10.37917/ijeee.18.1.1.
Texte intégralPervin, Mst Tasnim, Linmi Tao et Aminul Huq. « Adversarial attack driven data augmentation for medical images ». International Journal of Electrical and Computer Engineering (IJECE) 13, no 6 (1 décembre 2023) : 6285. http://dx.doi.org/10.11591/ijece.v13i6.pp6285-6292.
Texte intégralVillegas-Ch, William, Angel Jaramillo-Alcázar et Sergio Luján-Mora. « Evaluating the Robustness of Deep Learning Models against Adversarial Attacks : An Analysis with FGSM, PGD and CW ». Big Data and Cognitive Computing 8, no 1 (16 janvier 2024) : 8. http://dx.doi.org/10.3390/bdcc8010008.
Texte intégralKurniawan S, Putu Widiarsa, Yosi Kristian et Joan Santoso. « Pemanfaatan Deep Convulutional Auto-encoder untuk Mitigasi Serangan Adversarial Attack pada Citra Digital ». J-INTECH 11, no 1 (4 juillet 2023) : 50–59. http://dx.doi.org/10.32664/j-intech.v11i1.845.
Texte intégralKumari, Rekha, Tushar Bhatia, Peeyush Kumar Singh et Kanishk Vikram Singh. « Dissecting Adversarial Attacks : A Comparative Analysis of Adversarial Perturbation Effects on Pre-Trained Deep Learning Models ». INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT 07, no 11 (1 novembre 2023) : 1–11. http://dx.doi.org/10.55041/ijsrem27337.
Texte intégralPal, Biprodip, Debashis Gupta, Md Rashed-Al-Mahfuz, Salem A. Alyami et Mohammad Ali Moni. « Vulnerability in Deep Transfer Learning Models to Adversarial Fast Gradient Sign Attack for COVID-19 Prediction from Chest Radiography Images ». Applied Sciences 11, no 9 (7 mai 2021) : 4233. http://dx.doi.org/10.3390/app11094233.
Texte intégralKim, Hoki, Woojin Lee et Jaewook Lee. « Understanding Catastrophic Overfitting in Single-step Adversarial Training ». Proceedings of the AAAI Conference on Artificial Intelligence 35, no 9 (18 mai 2021) : 8119–27. http://dx.doi.org/10.1609/aaai.v35i9.16989.
Texte intégralLu, Fan. « Adversarial attack against deep learning algorithms for gun category detection ». Applied and Computational Engineering 53, no 1 (28 mars 2024) : 190–96. http://dx.doi.org/10.54254/2755-2721/53/20241368.
Texte intégralCui, Chenrui. « Adversarial attack study on VGG16 for cat and dog image classification task ». Applied and Computational Engineering 50, no 1 (25 mars 2024) : 170–75. http://dx.doi.org/10.54254/2755-2721/50/20241438.
Texte intégralMohamed, Mahmoud, et Mohamed Bilal. « Comparing the Performance of Deep Denoising Sparse Autoencoder with Other Defense Methods Against Adversarial Attacks for Arabic letters ». Jordan Journal of Electrical Engineering 10, no 1 (2024) : 122. http://dx.doi.org/10.5455/jjee.204-1687363297.
Texte intégralNavjot Kaur. « Robustness and Security in Deep Learning : Adversarial Attacks and Countermeasures ». Journal of Electrical Systems 20, no 3s (4 avril 2024) : 1250–57. http://dx.doi.org/10.52783/jes.1436.
Texte intégralZhang, Qikun, Yuzhi Zhang, Yanling Shao, Mengqi Liu, Jianyong Li, Junling Yuan et Ruifang Wang. « Boosting Adversarial Attacks with Nadam Optimizer ». Electronics 12, no 6 (20 mars 2023) : 1464. http://dx.doi.org/10.3390/electronics12061464.
Texte intégralYang, Bo, Kaiyong Xu, Hengjun Wang et Hengwei Zhang. « Random Transformation of image brightness for adversarial attack ». Journal of Intelligent & ; Fuzzy Systems 42, no 3 (2 février 2022) : 1693–704. http://dx.doi.org/10.3233/jifs-211157.
Texte intégralVyas, Dhairya, et Viral V. Kapadia. « Designing defensive techniques to handle adversarial attack on deep learning based model ». PeerJ Computer Science 10 (8 mars 2024) : e1868. http://dx.doi.org/10.7717/peerj-cs.1868.
Texte intégralZou, Junhua, Yexin Duan, Boyu Li, Wu Zhang, Yu Pan et Zhisong Pan. « Making Adversarial Examples More Transferable and Indistinguishable ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 3 (28 juin 2022) : 3662–70. http://dx.doi.org/10.1609/aaai.v36i3.20279.
Texte intégralUtomo, Sapdo, Adarsh Rouniyar, Hsiu-Chun Hsu et Pao-Ann Hsiung. « Federated Adversarial Training Strategies for Achieving Privacy and Security in Sustainable Smart City Applications ». Future Internet 15, no 11 (20 novembre 2023) : 371. http://dx.doi.org/10.3390/fi15110371.
Texte intégralHan, Dong, Reza Babaei, Shangqing Zhao et Samuel Cheng. « Exploring the Efficacy of Learning Techniques in Model Extraction Attacks on Image Classifiers : A Comparative Study ». Applied Sciences 14, no 9 (29 avril 2024) : 3785. http://dx.doi.org/10.3390/app14093785.
Texte intégralTrinh Quang Kien. « Improving the robustness of binarized neural network using the EFAT method ». Journal of Military Science and Technology, CSCE5 (15 décembre 2021) : 14–23. http://dx.doi.org/10.54939/1859-1043.j.mst.csce5.2021.14-23.
Texte intégralRudd-Orthner, Richard N. M., et Lyudmila Mihaylova. « Deep ConvNet : Non-Random Weight Initialization for Repeatable Determinism, Examined with FSGM ». Sensors 21, no 14 (13 juillet 2021) : 4772. http://dx.doi.org/10.3390/s21144772.
Texte intégralXu, Wei, et Veerawat Sirivesmas. « Study on Network Virtual Printing Sculpture Design using Artificial Intelligence ». International Journal of Communication Networks and Information Security (IJCNIS) 15, no 1 (30 mai 2023) : 132–45. http://dx.doi.org/10.17762/ijcnis.v15i1.5694.
Texte intégralGuan, Dejian, et Wentao Zhao . « Adversarial Detection Based on Inner-Class Adjusted Cosine Similarity ». Applied Sciences 12, no 19 (20 septembre 2022) : 9406. http://dx.doi.org/10.3390/app12199406.
Texte intégralZhao, Weimin, Sanaa Alwidian et Qusay H. Mahmoud. « Adversarial Training Methods for Deep Learning : A Systematic Review ». Algorithms 15, no 8 (12 août 2022) : 283. http://dx.doi.org/10.3390/a15080283.
Texte intégralLi, Xinyu, Shaogang Dai et Zhijin Zhao. « Unsupervised Learning-Based Spectrum Sensing Algorithm with Defending Adversarial Attacks ». Applied Sciences 13, no 16 (9 août 2023) : 9101. http://dx.doi.org/10.3390/app13169101.
Texte intégralZhu, Min-Ling, Liang-Liang Zhao et Li Xiao. « Image Denoising Based on GAN with Optimization Algorithm ». Electronics 11, no 15 (5 août 2022) : 2445. http://dx.doi.org/10.3390/electronics11152445.
Texte intégralLee , Jungeun, et Hoeseok Yang . « Performance Improvement of Image-Reconstruction-Based Defense against Adversarial Attack ». Electronics 11, no 15 (28 juillet 2022) : 2372. http://dx.doi.org/10.3390/electronics11152372.
Texte intégralWu, Fei, Wenxue Yang, Limin Xiao et Jinbin Zhu. « Adaptive Wiener Filter and Natural Noise to Eliminate Adversarial Perturbation ». Electronics 9, no 10 (3 octobre 2020) : 1634. http://dx.doi.org/10.3390/electronics9101634.
Texte intégralBhandari, Mohan, Tej Bahadur Shahi et Arjun Neupane. « Evaluating Retinal Disease Diagnosis with an Interpretable Lightweight CNN Model Resistant to Adversarial Attacks ». Journal of Imaging 9, no 10 (11 octobre 2023) : 219. http://dx.doi.org/10.3390/jimaging9100219.
Texte intégralSu, Guanpeng. « Analysis of the attack effect of adversarial attacks on machine learning models ». Applied and Computational Engineering 6, no 1 (14 juin 2023) : 1212–18. http://dx.doi.org/10.54254/2755-2721/6/20230607.
Texte intégralHuang, Bowen, Ruoheng Feng et Jiahao Yuan. « Exploiting ensembled neural network model for social platform rumor detection ». Applied and Computational Engineering 20, no 1 (23 octobre 2023) : 231–39. http://dx.doi.org/10.54254/2755-2721/20/20231103.
Texte intégralKwon, Hyun. « MedicalGuard : U-Net Model Robust against Adversarially Perturbed Images ». Security and Communication Networks 2021 (9 août 2021) : 1–8. http://dx.doi.org/10.1155/2021/5595026.
Texte intégralHaroon, Muhammad Shahzad, et Husnain Mansoor Ali. « Ensemble adversarial training based defense against adversarial attacks for machine learning-based intrusion detection system ». Neural Network World 33, no 5 (2023) : 317–36. http://dx.doi.org/10.14311/nnw.2023.33.018.
Texte intégralShi, Lin, Teyi Liao et Jianfeng He. « Defending Adversarial Attacks against DNN Image Classification Models by a Noise-Fusion Method ». Electronics 11, no 12 (8 juin 2022) : 1814. http://dx.doi.org/10.3390/electronics11121814.
Texte intégralSun, Guangling, Yuying Su, Chuan Qin, Wenbo Xu, Xiaofeng Lu et Andrzej Ceglowski. « Complete Defense Framework to Protect Deep Neural Networks against Adversarial Examples ». Mathematical Problems in Engineering 2020 (11 mai 2020) : 1–17. http://dx.doi.org/10.1155/2020/8319249.
Texte intégralSaxena, Rishabh, Amit Sanjay Adate et Don Sasikumar. « A Comparative Study on Adversarial Noise Generation for Single Image Classification ». International Journal of Intelligent Information Technologies 16, no 1 (janvier 2020) : 75–87. http://dx.doi.org/10.4018/ijiit.2020010105.
Texte intégralAn, Tong, Tao Zhang, Yanzhang Geng et Haiquan Jiao. « Normalized Combinations of Proportionate Affine Projection Sign Subband Adaptive Filter ». Scientific Programming 2021 (26 août 2021) : 1–12. http://dx.doi.org/10.1155/2021/8826868.
Texte intégralHirano, Hokuto, et Kazuhiro Takemoto. « Simple Iterative Method for Generating Targeted Universal Adversarial Perturbations ». Algorithms 13, no 11 (22 octobre 2020) : 268. http://dx.doi.org/10.3390/a13110268.
Texte intégralZhang, Xingyu, Xiongwei Zhang, Xia Zou, Haibo Liu et Meng Sun. « Towards Generating Adversarial Examples on Combined Systems of Automatic Speaker Verification and Spoofing Countermeasure ». Security and Communication Networks 2022 (31 juillet 2022) : 1–12. http://dx.doi.org/10.1155/2022/2666534.
Texte intégralPapadopoulos, Pavlos, Oliver Thornewill von Essen, Nikolaos Pitropakis, Christos Chrysoulas, Alexios Mylonas et William J. Buchanan. « Launching Adversarial Attacks against Network Intrusion Detection Systems for IoT ». Journal of Cybersecurity and Privacy 1, no 2 (23 avril 2021) : 252–73. http://dx.doi.org/10.3390/jcp1020014.
Texte intégralDing, Ning, et Knut Möller. « Using adaptive learning rate to generate adversarial images ». Current Directions in Biomedical Engineering 9, no 1 (1 septembre 2023) : 359–62. http://dx.doi.org/10.1515/cdbme-2023-1090.
Texte intégralYang, Zhongguo, Irshad Ahmed Abbasi, Fahad Algarni, Sikandar Ali et Mingzhu Zhang. « An IoT Time Series Data Security Model for Adversarial Attack Based on Thermometer Encoding ». Security and Communication Networks 2021 (9 mars 2021) : 1–11. http://dx.doi.org/10.1155/2021/5537041.
Texte intégralSantana, Everton Jose, Ricardo Petri Silva, Bruno Bogaz Zarpelão et Sylvio Barbon Junior. « Detecting and Mitigating Adversarial Examples in Regression Tasks : A Photovoltaic Power Generation Forecasting Case Study ». Information 12, no 10 (26 septembre 2021) : 394. http://dx.doi.org/10.3390/info12100394.
Texte intégralPantiukhin, D. V. « Educational and methodological materials of the master class “Adversarial attacks on image recognition neural networks” for students and schoolchildren ». Informatics and education 38, no 1 (16 avril 2023) : 55–63. http://dx.doi.org/10.32517/0234-0453-2023-38-1-55-63.
Texte intégralKumar, P. Sathish, et K. V. D. Kiran. « Momentum Iterative Fast Gradient Sign Algorithm for Adversarial Attacks and Defenses ». Research Journal of Engineering and Technology, 30 juin 2023, 7–24. http://dx.doi.org/10.52711/2321-581x.2023.00002.
Texte intégralNaseem, Muhammad Luqman. « Trans-IFFT-FGSM : a novel fast gradient sign method for adversarial attacks ». Multimedia Tools and Applications, 9 février 2024. http://dx.doi.org/10.1007/s11042-024-18475-7.
Texte intégralXie, Pengfei, Shuhao Shi, Shuai Yang, Kai Qiao, Ningning Liang, Linyuan Wang, Jian Chen, Guoen Hu et Bin Yan. « Improving the Transferability of Adversarial Examples With a Noise Data Enhancement Framework and Random Erasing ». Frontiers in Neurorobotics 15 (9 décembre 2021). http://dx.doi.org/10.3389/fnbot.2021.784053.
Texte intégralZhang, Junjian, Hao Tan, Le Wang, Yaguan Qian et Zhaoquan Gu. « Rethinking multi‐spatial information for transferable adversarial attacks on speaker recognition systems ». CAAI Transactions on Intelligence Technology, 29 mars 2024. http://dx.doi.org/10.1049/cit2.12295.
Texte intégral