Fugu-MT 論文翻訳(概要): Harnessing adversarial examples with a surprisingly simple defense

論文の概要: Harnessing adversarial examples with a surprisingly simple defense

arxiv url: http://arxiv.org/abs/2004.13013v3
Date: Wed, 3 Jun 2020 02:52:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 13:16:58.481993
Title: Harnessing adversarial examples with a surprisingly simple defense
Title（参考訳）: 驚くほど単純な防御による敵のハーネスング
Authors: Ali Borji
Abstract要約: 敵の例に対抗して、非常に簡単な方法を紹介します。基本的な考え方は、テスト時にReLU関数の傾きを上げることである。 MNISTとCIFAR-10データセットによる実験では、提案された防御の有効性が示されている。
参考スコア（独自算出の注目度）: 47.64219291655723
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: I introduce a very simple method to defend against adversarial examples. The basic idea is to raise the slope of the ReLU function at the test time. Experiments over MNIST and CIFAR-10 datasets demonstrate the effectiveness of the proposed defense against a number of strong attacks in both untargeted and targeted settings. While perhaps not as effective as the state of the art adversarial defenses, this approach can provide insights to understand and mitigate adversarial attacks. It can also be used in conjunction with other defenses.
Abstract（参考訳）: 敵の例から守るための非常に単純な方法を紹介します。基本的な考え方は、テスト時にReLU関数の傾きを上げることである。 MNISTとCIFAR-10データセットに対する実験は、未目標と目標設定の両方において、多数の強力な攻撃に対する提案された防御の有効性を示す。対人防御の状況ほど効果的ではないかもしれないが、このアプローチは対人攻撃を理解し緩和するための洞察を与えることができる。他の防御と組み合わせて使うこともできる。

関連論文リスト

Counter-Samples: A Stateless Strategy to Neutralize Black Box Adversarial Attacks [2.9815109163161204]
本稿では,ブラックボックス攻撃に対する新たな防御法を提案する。入力サンプルの衛生化に依存する従来の前処理防御とは異なり、我々の戦略は攻撃プロセス自体に対処する。我々のアプローチは最先端のブラックボックス攻撃に対して極めて効果的であり、CIFAR-10とImageNetデータセットの双方で既存の防御性能を上回っていることを実証する。
論文参考訳（メタデータ） (2024-03-14T10:59:54Z)
Understanding and Improving Ensemble Adversarial Defense [4.504026914523449]
我々は、アンサンブルの防御を理解するための新しい誤り理論を開発した。我々は,対話的グローバル対人訓練(iGAT)という,アンサンブル対人防御を改善する効果的なアプローチを提案する。 iGATは、ホワイトボックスとブラックボックスの両方の攻撃下で、CIFAR10とCIFAR100データセットを使用して評価された最大17%のパフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2023-10-27T20:43:29Z)
The Best Defense is Attack: Repairing Semantics in Textual Adversarial Examples [7.622122513456483]
反応摂動デフォーカス(Rapid)という新しいアプローチを導入する。ラピッドは、敵の例の偽のラベルを識別し、敵の攻撃者を利用して敵の例のセマンティクスを修復するために、敵の検知器を使用している。各種攻撃シナリオにおけるRapidの有効性を実証するために,4つの公開データセットを用いて大規模な実験を行った。
論文参考訳（メタデータ） (2023-05-06T15:14:11Z)
Randomness in ML Defenses Helps Persistent Attackers and Hinders Evaluators [49.52538232104449]
堅牢なMLディフェンスを設計することがますます重要になっている。近年の研究では、当初最先端の攻撃に抵抗する多くの防衛は、適応的な敵によって破壊される可能性があることが判明している。我々は、防御設計をシンプルにし、ホワイトボックスの防御は可能な限りランダム性を損なうべきだと論じる。
論文参考訳（メタデータ） (2023-02-27T01:33:31Z)
A Game-Theoretic Approach for AI-based Botnet Attack Defence [5.020067709306813]
新しい世代のボットネットは、AI(Artificial Intelligent)技術を利用して、ボットマスターのアイデンティティと、検出を避けるための攻撃意図を隠蔽する。この種のAIベースのボットネット攻撃に対する既存の防衛戦略の有効性を評価することのできる、既存のアセスメントツールが存在しない。我々は,Nash Equilibrium (NE) に到達するためにボットネット攻撃者やディフェンダーが使用できる潜在的戦略の詳細を分析することができる逐次ゲーム理論モデルを提案する。
論文参考訳（メタデータ） (2021-12-04T02:53:40Z)
Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning [95.60856995067083]
この研究は、特定の攻撃アルゴリズムを知らずにASVの敵防衛を行う最初の試みの一つである。本研究の目的は,1) 対向摂動浄化と2) 対向摂動検出の2つの視点から対向防御を行うことである。実験の結果, 検出モジュールは, 約80%の精度で対向検体を検出することにより, ASVを効果的に遮蔽することがわかった。
論文参考訳（メタデータ） (2021-06-01T07:10:54Z)
Internal Wasserstein Distance for Adversarial Attack and Defense [40.27647699862274]
本研究では,サンプルと対比例の画像類似度を測定するための内部Wasserstein距離(IWD)を提案する。原試料中のパッチの分布を捉えた新しい攻撃手法を開発した。我々はまた,未知の敵の例から守るためのロバストなモデルを学ぶための新しい防御手法も構築する。
論文参考訳（メタデータ） (2021-03-13T02:08:02Z)
Advocating for Multiple Defense Strategies against Adversarial Examples [66.90877224665168]
ニューラルネットワークを$ell_infty$敵の例から保護するために設計された防御機構が、性能の低下を実証的に観察されている。本稿では,この観測を検証した幾何学的解析を行う。そこで本研究では,この現象の実際的影響を説明するための実証的な知見を多数提示する。
論文参考訳（メタデータ） (2020-12-04T14:42:46Z)
Are Adversarial Examples Created Equal? A Learnable Weighted Minimax Risk for Robustness under Non-uniform Attacks [70.11599738647963]
敵の訓練は、強力な攻撃に耐える数少ない防衛の1つである。従来の防御機構は、基礎となるデータ分布に従って、サンプルに対する均一な攻撃を前提とします。非一様攻撃に対して重み付けされたミニマックスリスク最適化を提案する。
論文参考訳（メタデータ） (2020-10-24T21:20:35Z)
Defense against adversarial attacks on spoofing countermeasures of ASV [95.87555881176529]
本稿では,ASVスプーフィング対策モデルの脆弱性を軽減するために,パッシブ・ディフェンス法,空間平滑化法,プロアクティブ・ディフェンス・トレーニング法を提案する。実験結果から, これらの2つの防御手法は, 対向する対向的例に対して, 対向的対策モデルを偽装するのに有効であることが示唆された。
論文参考訳（メタデータ） (2020-03-06T08:08:54Z)

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。