في عالم الذكاء الاصطناعي، تعتبر [هجمات](/tag/هجمات) [التدرجات](/tag/التدرجات) (Gradient-based attacks) من الأساليب الأساسية لتقييم [قوة](/tag/قوة) النموذج. رغم ذلك، أدت العديد من المحاولات، مثل [تقنية](/tag/تقنية) APGD، إلى نتائج غير مرضية في تقدم هذا المجال. الأمر الذي دفع [الباحثين](/tag/الباحثين) إلى [دراسة](/tag/دراسة) ومعالجة مشكلة "الأمثلة غير المعادية ذات الخسارة العالية"، والتي تؤثر سلبًا على [أداء](/tag/أداء) الهجمات السابقة.

تحت هذا السقف، تم [اقتراح](/tag/اقتراح) طريقة جديدة تُعرف باسم "تعظيم الفرق بين [احتمالية](/tag/احتمالية) التسمية غير الصحيحة وحدودها العليا واحتمالية التسمية الصحيحة". هذه الطريقة الجديدة تحمل اسم "تعظيم الفرق المتسلسل" (Sequential Difference Maximization - [SDM](/tag/sdm)) وتقدم نهجًا ثلاثي المستويات في [تحسين النموذج](/tag/[تحسين](/tag/تحسين)-النموذج) يتكون من "الدورة-المرحلة-الخطوة".

بالاعتماد على دالة خسارة الاحتمالية السلبية ودالة خسارة نسبة فرق الاحتمالات الاتجاهية (Directional Probability Difference Ratio - DPDR) في مراحل [التحسين](/tag/التحسين) الأولية واللاحقة، تتيح [SDM](/tag/sdm) [تحقيق](/tag/تحقيق) الأهداف المثالية لتوليد الأمثلة المعادية [عبر](/tag/عبر) [تحسين](/tag/تحسين) متسلسل مدروس.

أظهرت [التجارب](/tag/التجارب) أن [SDM](/tag/sdm) تتفوق على الأساليب الشائعة الأخرى من حيث الأداء، حيث توفر نتائج أفضل بكثير وتُظهر فعالية من حيث التكلفة أعلى زمنيًا. لمزيد من المعلومات، يمكنك مراجعة [الكود](/tag/الكود) المتاح على [GitHub](/tag/github) [عبر](/tag/عبر) الرابط: [https://github.com/[X](/tag/x)-L-Liu/ICML-SDM].

هل تعتقد أن [تقنية](/tag/تقنية) [SDM](/tag/sdm) تستطيع إعادة تشكيل الأساليب التقليدية في [تقييم](/tag/تقييم) [نماذج الذكاء الاصطناعي](/tag/[نماذج](/tag/نماذج)-الذكاء-الاصطناعي)؟ شاركونا آرائكم في [التعليقات](/tag/التعليقات)!