論文の概要: Geometry-Inspired Top-k Adversarial Perturbations

• arxiv url: http://arxiv.org/abs/2006.15669v6
• Date: Tue, 23 Nov 2021 14:58:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 02:13:43.549184
• Title: Geometry-Inspired Top-k Adversarial Perturbations
• Title（参考訳）: 幾何にインスパイアされたトップk対向摂動
• Authors: Nurislam Tursynbek, Aleksandr Petiushko, and Ivan Oseledets
• Abstract要約: 単純な多目的最適化としてのTop-k逆例。 Top-k Universal Adversarial Perturbationsは、画像に依存しない小さな摂動であり、ほとんどの自然画像のTop-k予測の中で真のクラスが欠落する原因となっている。
• 参考スコア（独自算出の注目度）: 68.32598950136504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The brittleness of deep image classifiers to small adversarial input perturbations has been extensively studied in the last several years. However, the main objective of existing perturbations is primarily limited to change the correctly predicted Top-1 class by an incorrect one, which does not intend to change the Top-k prediction. In many digital real-world scenarios Top-k prediction is more relevant. In this work, we propose a fast and accurate method of computing Top-k adversarial examples as a simple multi-objective optimization. We demonstrate its efficacy and performance by comparing it to other adversarial example crafting techniques. Moreover, based on this method, we propose Top-k Universal Adversarial Perturbations, image-agnostic tiny perturbations that cause the true class to be absent among the Top-k prediction for the majority of natural images. We experimentally show that our approach outperforms baseline methods and even improves existing techniques of finding Universal Adversarial Perturbations.
• Abstract（参考訳）: 深部画像分類器の小さな逆入力摂動に対する脆性は,ここ数年で広く研究されている。 しかし、既存の摂動の主な目的は、誤って予測されたTop-1クラスを変更することであり、Top-k予測を変更するつもりはない。 多くのデジタル現実シナリオでは、トップk予測がより適切である。 本研究では,単純な多目的最適化として,top-k攻撃例を高速かつ高精度に計算する手法を提案する。 我々は,その効果と性能を,他の手法と比較して示す。 さらに,本手法に基づき,自然画像の多数を占めるトップk予測のうち,真のクラスが欠落する原因となる,トップk普遍逆摂動,画像非依存な微小摂動を提案する。 実験により,本手法がベースライン手法を上回っており,普遍的な逆摂動を見出す既存の手法も改善していることを示した。

関連論文リスト

• Incremental Prototype Prompt-tuning with Pre-trained Representation for Class Incremental Learning [4.717066668969749]
  クラスインクリメンタルな学習は多くの注目を集めていますが、既存のほとんどの研究は、表現モデルを継続的に微調整しています。 我々は、事前学習パラダイムを用いて、固定されたセマンティックリッチな事前学習表現モデルに基づいて、新しい視覚概念を逐次学習する。 我々の手法は、多くのマージンを持つ他の最先端手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-04-07T12:49:14Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Adaptive Perturbation for Adversarial Attack [50.77612889697216]
  そこで本研究では,新たな逆例に対する勾配に基づく攻撃手法を提案する。 逆方向の摂動を発生させるために,スケーリング係数を用いた正確な勾配方向を用いる。 本手法は, 高い伝達性を示し, 最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-27T07:57:41Z)
• Meta Adversarial Perturbations [66.43754467275967]
  メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。 これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
  論文  参考訳（メタデータ） (2021-11-19T16:01:45Z)
• A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
  提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。 我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。 実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-05T15:58:25Z)
• Learning the Truth From Only One Side of the Story [58.65439277460011]
  一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。 理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T18:20:28Z)

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。