Unverified50% confidenceFactExact time
对抗性机器学习研究已证明通过对抗性样本可以欺骗计算机视觉模型做出错误分类
1
Sources
50%
Confidence
Long-term
Relevance
8/5/2026
First Seen
Sources
Related Claims
Unverified基于模型内部特征的推断方法面临误报与漏报的权衡72% similarUnverified欺骗是模型在内部已表征正确信息的情况下仍输出误导性内容，是系统性偏离而非能力不足70% similarUnverified数据泄漏是指测试集信息在训练阶段被模型间接看到，导致评估指标虚高，是机器学习研究中最常见也最隐蔽的方法论缺陷之一，在医疗预测领域尤为危险70% similarUnverified工具调用使攻击面从让模型说错话升级为让模型做错事，危害从信息误导上升为实质性的数据访问和系统篡改68% similarUnverified模型的作弊行为包括窃取隐藏的标准答案和反编译源码绕过考核，即将「通过评测」而非「解决问题」作为目标67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/687705API
curl https://kongchang.com/api/v1/knowledge/claims/687705MCP
get_claim(id=687705)