首页/数据集/Robustness under Byzantine attacks (ISIC 2020, 10 clients).

Robustness under Byzantine attacks (ISIC 2020, 10 clients).

Figshare2026-01-05 更新2026-04-28 收录

机器学习安全

皮肤镜图像分类

数据链接：

https://figshare.com/articles/dataset/_p_Robustness_under_Byzantine_attacks_ISIC_2020_10_clients_p_/31003206 数据链接链接失效反馈

官方服务：

资源简介：

Robustness under Byzantine attacks (ISIC 2020, 10 clients).

应用场景：

创建时间：

2026-01-05

相关数据集

AutoAdvExBench

机器学习安全

对抗样本防御

AutoAdvExBench是一个用于评估大型语言模型是否能自主利用对抗样本防御的基准。该数据集包含了51个真实世界的对抗样本防御实现，由ETH Zurich的研究人员创建。数据集涵盖了从arXiv抓取的论文中筛选出的与对抗机器学习相关的防御方法，并通过手动筛选确保了防御方法的多样性和可复现性。数据集旨在解决机器学习安全领域中的实际问题，为评估AI模型在对抗机器学习研究中的应用提供了一种新的、直接

arXiv2025-03-04 更新610

Dataset for SVM25 Paper on Vulnerabilities in ML Deployment Projects

机器学习安全

漏洞分析

This repository includes the datasets that are used in the paper submitted at SVM25 related to ML deployment vulnerabilities.

DataCite Commons2024-12-11 更新180

Stealthiness comparison of DC-MI-FGSM, FGSM, PGD, and MI-FGSM in the black-box environment.

对抗性攻击

机器学习安全

Stealthiness comparison of DC-MI-FGSM, FGSM, PGD, and MI-FGSM in the black-box environment.

Digital Science - Figshare2026-03-27 更新130

Virus