Fugu-MT 論文翻訳(概要): CAT: Customized Adversarial Training for Improved Robustness

論文の概要: CAT: Customized Adversarial Training for Improved Robustness

arxiv url: http://arxiv.org/abs/2002.06789v1
Date: Mon, 17 Feb 2020 06:13:05 GMT
ステータス: 処理完了
システム内更新日: 2022-12-31 11:58:54.549581
Title: CAT: Customized Adversarial Training for Improved Robustness
Title（参考訳）: CAT:ロバストネスを改善するためにカスタマイズされた対人訓練
Authors: Minhao Cheng, Qi Lei, Pin-Yu Chen, Inderjit Dhillon, Cho-Jui Hsieh
Abstract要約: そこで我々は,各トレーニングサンプルに対して,摂動レベルと対応するラベルを適応的にカスタマイズする,Customized Adversarial Training (CAT) という新しいアルゴリズムを提案する。提案アルゴリズムは,従来の逆行訓練法よりもクリーンでロバストな精度が得られることを示す。
参考スコア（独自算出の注目度）: 142.3480998034692
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adversarial training has become one of the most effective methods for improving robustness of neural networks. However, it often suffers from poor generalization on both clean and perturbed data. In this paper, we propose a new algorithm, named Customized Adversarial Training (CAT), which adaptively customizes the perturbation level and the corresponding label for each training sample in adversarial training. We show that the proposed algorithm achieves better clean and robust accuracy than previous adversarial training methods through extensive experiments.
Abstract（参考訳）: 敵の訓練は、ニューラルネットワークの堅牢性を改善する最も効果的な方法の1つになっている。しかし、クリーンデータと摂動データの両方の一般化に苦しむことが多い。本稿では,各トレーニングサンプルに対して,摂動レベルと対応するラベルを適応的にカスタマイズする,Customized Adversarial Training (CAT) というアルゴリズムを提案する。提案アルゴリズムは,従来の逆行訓練法よりもクリーンでロバストな精度が得られることを示す。

関連論文リスト

Criticality Leveraged Adversarial Training (CLAT) for Boosted Performance via Parameter Efficiency [15.211462468655329]
CLATは、パラメータ効率を敵のトレーニングプロセスに導入し、クリーンな精度と敵の堅牢性の両方を改善した。既存の対数訓練法に応用でき、トレーニング可能なパラメータの数を約95%削減できる。
論文参考訳（メタデータ） (2024-08-19T17:58:03Z)
Stability and Generalization in Free Adversarial Training [9.831489366502302]
本稿では,アルゴリズム的安定性フレームワークを用いた対向学習手法の一般化性能について検討する。証明された一般化境界は, 自由対数学習法が, トレーニングとテストサンプル間の一般化ギャップを低くすることができることを示している。
論文参考訳（メタデータ） (2024-04-13T12:07:20Z)
Enhancing Adversarial Training via Reweighting Optimization Trajectory [72.75558017802788]
余分な正規化、敵の重み付け、より多くのデータによるトレーニングといった欠点に対処するいくつかのアプローチが提案されている。本稿では, 時間内学習の最適化トラジェクトリを利用するtextbfWeighted Optimization Trajectories (WOT) を提案する。以上の結果から,WOTは既存の対人訓練手法とシームレスに統合され,頑健なオーバーフィッティング問題を一貫して克服していることがわかった。
論文参考訳（メタデータ） (2023-06-25T15:53:31Z)
Adversarial Training Should Be Cast as a Non-Zero-Sum Game [121.95628660889628]
対人訓練の2つのプレイヤーゼロサムパラダイムは、十分な強靭性を発揮できていない。敵のトレーニングアルゴリズムでよく使われるサロゲートベースの緩和は、ロバスト性に関するすべての保証を無効にすることを示す。対人訓練の新たな非ゼロサム二段階の定式化は、一致し、場合によっては最先端の攻撃よりも優れたフレームワークをもたらす。
論文参考訳（メタデータ） (2023-06-19T16:00:48Z)
CAT:Collaborative Adversarial Training [80.55910008355505]
ニューラルネットワークの堅牢性を改善するために,協調的対人訓練フレームワークを提案する。具体的には、異なる対戦型トレーニング手法を使用して、堅牢なモデルをトレーニングし、トレーニングプロセス中にモデルが自身の知識と対話できるようにします。 Cat は Auto-Attack ベンチマークの下で CIFAR-10 上の追加データを用いることなく、最先端の敵の堅牢性を達成している。
論文参考訳（メタデータ） (2023-03-27T05:37:43Z)
A Novel Noise Injection-based Training Scheme for Better Model Robustness [9.749718440407811]
ノイズインジェクションに基づく手法は、人工ニューラルネットワークの堅牢性を向上させることができることが示されている。本研究では,より優れたモデルロバスト性を実現するための新しいノイズ注入型トレーニング手法を提案する。実験結果から,提案手法は対向的ロバスト性において性能が向上し,元の精度では若干性能が向上することがわかった。
論文参考訳（メタデータ） (2023-02-17T02:50:25Z)
Efficient and Effective Augmentation Strategy for Adversarial Training [48.735220353660324]
ディープニューラルネットワークの敵対的トレーニングは、標準トレーニングよりもはるかにデータ処理が難しいことが知られている。本稿では,DAJAT(Diverse Augmentation-based Joint Adversarial Training)を提案する。
論文参考訳（メタデータ） (2022-10-27T10:59:55Z)
Adversarial Coreset Selection for Efficient Robust Training [11.510009152620666]
トレーニングデータの小さなサブセットを選択することは、堅牢なトレーニングの時間的複雑さを軽減するための原則的なアプローチを提供する方法を示す。本手法が敵の訓練を2～3回高速化することを示すため,広範囲な実験を行った。
論文参考訳（メタデータ） (2022-09-13T07:37:53Z)
Efficient Robust Training via Backward Smoothing [125.91185167854262]
敵の訓練は敵の例に対抗して最も効果的な戦略である。トレーニングの各ステップにおける反復的な敵攻撃により、高い計算コストに悩まされる。近年の研究では、単一段階攻撃を行うことで、高速な対人訓練が可能であることが示されている。
論文参考訳（メタデータ） (2020-10-03T04:37:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。