Publication

Adversarial Training Should Be Cast As a Non-Zero-Sum Game

Publications associées (61)

À propos
Confidentialité
Mentions légales

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Connectez-vous pour utiliser Chat avec Graph Search

Adversarial Training Should Be Cast As a Non-Zero-Sum Game

Graph Chatbot

Chattez avec Graph Search

Controlling spatiotemporal nonlinearities in multimode fibers with deep neural networks

Understanding and Improving Fast Adversarial Training

Global Convergence and Variance Reduction for a Class of Nonconvex-Nonconcave Minimax Problems

FeGAN: Scaling Distributed GANs

A geometry-inspired decision-based attack

Geometry of adversarial robustness of deep networks: methods and applications

A geometry-inspired decision-based attack

A Geometry-Inspired Decision-Based Attack

Pretraining boosts out-of-domain robustness for pose estimation

Entropy and mutual information in models of deep neural networks

Entropy and mutual information in models of deep neural networks

FeGAN: Scaling Distributed GANs

A geometry-inspired decision-based attack

Geometry of adversarial robustness of deep networks: methods and applications

A Geometry-Inspired Decision-Based Attack

Global Convergence and Variance Reduction for a Class of Nonconvex-Nonconcave Minimax Problems

A geometry-inspired decision-based attack

Controlling spatiotemporal nonlinearities in multimode fibers with deep neural networks

Understanding and Improving Fast Adversarial Training

Pretraining boosts out-of-domain robustness for pose estimation