論文の概要: A Thorough Comparison Study on Adversarial Attacks and Defenses for Common Thorax Disease Classification in Chest X-rays

• arxiv url: http://arxiv.org/abs/2003.13969v1
• Date: Tue, 31 Mar 2020 06:21:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 23:53:13.427542
• Title: A Thorough Comparison Study on Adversarial Attacks and Defenses for Common Thorax Disease Classification in Chest X-rays
• Title（参考訳）: 胸部x線画像における胸部共通疾患分類における逆行性攻撃と防御の比較検討
• Authors: Chendi Rao, Jiezhang Cao, Runhao Zeng, Qi Chen, Huazhu Fu, Yanwu Xu, Mingkui Tan
• Abstract要約: 胸部X線に対する各種対向攻撃法と防御法について検討した。 攻撃法と防御法は過度な反復と大きな摂動で性能が劣ることがわかった。 異なる摂動度に頑健な新しい防御法を提案する。
• 参考スコア（独自算出の注目度）: 63.675522663422896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, deep neural networks (DNNs) have made great progress on automated diagnosis with chest X-rays images. However, DNNs are vulnerable to adversarial examples, which may cause misdiagnoses to patients when applying the DNN based methods in disease detection. Recently, there is few comprehensive studies exploring the influence of attack and defense methods on disease detection, especially for the multi-label classification problem. In this paper, we aim to review various adversarial attack and defense methods on chest X-rays. First, the motivations and the mathematical representations of attack and defense methods are introduced in details. Second, we evaluate the influence of several state-of-the-art attack and defense methods for common thorax disease classification in chest X-rays. We found that the attack and defense methods have poor performance with excessive iterations and large perturbations. To address this, we propose a new defense method that is robust to different degrees of perturbations. This study could provide new insights into methodological development for the community.
• Abstract（参考訳）: 近年,胸部X線画像の自動診断においてディープニューラルネットワーク(DNN)が大きな進歩を遂げている。 しかし、DNNは敵の例に弱いため、疾患検出にDNNベースの方法を適用すると、患者に誤診を生じかねない。 近年,特にマルチラベル分類問題において,攻撃方法と防御方法が疾患検出に与える影響について,包括的研究がほとんど行われていない。 本稿では,胸部X線に対する様々な敵攻撃と防御方法について概説する。 まず、攻撃方法と防御方法の動機と数学的表現を詳細に紹介する。 第2に,胸部X線における胸部疾患分類に対するいくつかの最先端攻撃および防御方法の影響について検討した。 攻撃法と防御法は過度の反復と大きな摂動で性能が劣ることがわかった。 そこで本研究では,異なる摂動の程度にロバストな新しい防御法を提案する。 本研究は,地域社会の方法論開発に関する新たな知見を提供する。

関連論文リスト

• Detecting Adversarial Examples [24.585379549997743]
  本稿では,Deep Neural Networks の層出力を解析して,敵のサンプルを検出する手法を提案する。 提案手法はDNNアーキテクチャと互換性が高く,画像,ビデオ,オーディオなど,さまざまな領域にまたがって適用可能である。
  論文  参考訳（メタデータ） (2024-10-22T21:42:59Z)
• Model X-ray:Detecting Backdoored Models via Decision Boundary [62.675297418960355]
  バックドア攻撃はディープニューラルネットワーク(DNN)に重大な脆弱性をもたらす 図形化された2次元(2次元)決定境界の解析に基づく新しいバックドア検出手法であるモデルX線を提案する。 提案手法は,クリーンサンプルが支配する意思決定領域とラベル分布の集中度に着目した2つの戦略を含む。
  論文  参考訳（メタデータ） (2024-02-27T12:42:07Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
  医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。 公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-03-24T16:38:58Z)
• On Evaluating Adversarial Robustness of Chest X-ray Classification: Pitfalls and Best Practices [9.142684157074498]
  胸部X線分類のロバスト性は自然画像よりも評価が難しい。 本研究は医学的診断の特異性を考慮していない。 胸部X線分類モデルのロバスト性評価としては,3つのデータセット,7つのモデル,18の疾患について検討した。
  論文  参考訳（メタデータ） (2022-12-15T20:35:48Z)
• POTHER: Patch-Voted Deep Learning-based Chest X-ray Bias Analysis for COVID-19 Detection [10.516962652888989]
  多くの研究が、深層学習を用いて胸部X線で新型コロナウイルスを正確に検出したと報告している。 モデル決定は、医学的病理学ではなく、相反する要因に依存する可能性があることを実証する。 負の影響を最小限に抑える新しい方法を提案する。
  論文  参考訳（メタデータ） (2022-01-23T20:35:45Z)
• A Review of Adversarial Attack and Defense for Classification Methods [78.50824774203495]
  本稿では,敵対的事例の生成と保護に焦点をあてる。 この論文は、多くの統計学者が、この重要かつエキサイティングな分野において、敵の事例を生成・防御することを奨励するものである。
  論文  参考訳（メタデータ） (2021-11-18T22:13:43Z)
• TREATED:Towards Universal Defense against Textual Adversarial Attacks [28.454310179377302]
  本稿では,様々な摂動レベルの攻撃に対して,仮定なしに防御できる汎用的対向検出手法であるTREATEDを提案する。 3つの競合するニューラルネットワークと2つの広く使われているデータセットの大規模な実験により、本手法はベースラインよりも優れた検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-13T03:31:20Z)
• Searching for an Effective Defender: Benchmarking Defense against Adversarial Word Substitution [83.84968082791444]
  ディープニューラルネットワークは、意図的に構築された敵の例に対して脆弱である。 ニューラルNLPモデルに対する敵対的単語置換攻撃を防御する様々な方法が提案されている。
  論文  参考訳（メタデータ） (2021-08-29T08:11:36Z)
• Bias Field Poses a Threat to DNN-based X-Ray Recognition [21.317001512826476]
  胸部X線画像には、不適切な医用画像取得プロセスによって引き起こされるバイアスフィールドが広く存在している。 本稿では,近年の敵攻撃をベースとしてこの問題を考察し,新たな攻撃法を提案する。 本手法は,DNNによるX線自動診断に対する潜在的な脅威を明らかにし,バイアスフィールド・ローバスト自動診断システムの開発に有効である。
  論文  参考訳（メタデータ） (2020-09-19T14:58:02Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。