論文の概要: A Le Cam Type Bound for Adversarial Learning and Applications

• arxiv url: http://arxiv.org/abs/2007.00289v2
• Date: Wed, 10 Feb 2021 21:27:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 21:58:37.374639
• Title: A Le Cam Type Bound for Adversarial Learning and Applications
• Title（参考訳）: 逆学習と応用のためのLe Cam型境界
• Authors: Qiuling Xu and Kevin Bello and Jean Honorio
• Abstract要約: 攻撃と防衛の方法の間の武器競争を考えると、防御機構の基本的限界について興味があるかもしれない。 本稿では,特定の攻撃手法を仮定するか,あるいは学習問題を過度に特定することで,既存の文献が不足しているノイズ注入データから学習する問題に焦点を当てる。 我々は、特定の学習プロセスや攻撃者を仮定することなく、敵対的学習の情報理論的限界に光を当てた。
• 参考スコア（独自算出の注目度）: 35.90954042150076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robustness of machine learning methods is essential for modern practical applications. Given the arms race between attack and defense methods, one may be curious regarding the fundamental limits of any defense mechanism. In this work, we focus on the problem of learning from noise-injected data, where the existing literature falls short by either assuming a specific attack method or by over-specifying the learning problem. We shed light on the information-theoretic limits of adversarial learning without assuming a particular learning process or attacker. Finally, we apply our general bounds to a canonical set of non-trivial learning problems and provide examples of common types of attacks.
• Abstract（参考訳）: 機械学習手法のロバスト性は、現代の応用に不可欠である。 攻撃と防御の方法の間の武器競争を考えると、防御機構の基本的限界について興味があるかもしれない。 本研究では,特定の攻撃手法を仮定するか,あるいは学習問題を過度に特定することにより,既存の文献が不足するノイズ注入データから学習する問題に焦点を当てる。 我々は、特定の学習プロセスや攻撃者を仮定することなく、敵対的学習の情報理論的限界に光を当てた。 最後に,一般的な境界を非自明な学習問題の正準集合に適用し,一般的な攻撃の例を示す。

関連論文リスト

• Time-Aware Face Anti-Spoofing with Rotation Invariant Local Binary Patterns and Deep Learning [50.79277723970418]
  模倣攻撃は 不正な識別と その後の攻撃者の認証につながる 顔認識と同様に、模倣攻撃も機械学習で検出できる。 本稿では,未使用の機能と時間認識の深層学習戦略を組み合わせることで,高い分類精度を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:26:10Z)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Perturbation Inactivation Based Adversarial Defense for Face Recognition [45.73745401760292]
  ディープラーニングベースの顔認識モデルは、敵攻撃に対して脆弱である。 直感的なアプローチは、敵の摂動を不活性化し、一般的な摂動として容易に扱えるようにすることである。 対向防御のための対向的摂動不活性化法として, プラグ・アンド・プレイ型対向防御法(PIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-13T08:33:15Z)
• A Tutorial on Adversarial Learning Attacks and Countermeasures [0.0]
  機械学習モデルは、それを明示的にプログラムすることなく、高精度な予測を行うことができる。 敵の学習攻撃は 深刻なセキュリティの脅威を 引き起こす 本稿では、敵対的学習の原理を詳細に解説し、異なる攻撃シナリオを説明し、この脅威に対する最先端の防御機構について深い洞察を与える。
  論文  参考訳（メタデータ） (2022-02-21T17:14:45Z)
• Adversarial Robustness of Deep Reinforcement Learning based Dynamic Recommender Systems [50.758281304737444]
  本稿では,強化学習に基づく対話型レコメンデーションシステムにおける敵例の探索と攻撃検出を提案する。 まず、入力に摂動を加え、カジュアルな要因に介入することで、異なる種類の逆例を作成する。 そこで,本研究では,人工データに基づく深層学習に基づく分類器による潜在的攻撃を検出することにより,推薦システムを強化した。
  論文  参考訳（メタデータ） (2021-12-02T04:12:24Z)
• Multi-concept adversarial attacks [13.538643599990785]
  単一のMLモデルをターゲットにしたテストタイムアタックは、他のMLモデルへの影響を無視することが多い。 我々は,一方のMLモデルの精度を維持しつつ,一方のMLモデルの同時攻撃を可能にする新しい攻撃手法を開発した。
  論文  参考訳（メタデータ） (2021-10-19T22:14:19Z)
• Bounding Information Leakage in Machine Learning [26.64770573405079]
  本稿では,情報漏洩の基本的な境界について検討する。 最悪の会員推論攻撃の成功率を特定し、拘束します。 感度の高い属性とモデルパラメータの間の相互情報の境界を導出する。
  論文  参考訳（メタデータ） (2021-05-09T08:49:14Z)
• BAARD: Blocking Adversarial Examples by Testing for Applicability, Reliability and Decidability [12.079529913120593]
  敵防衛は、機械学習モデルを敵攻撃から保護するが、しばしばある種類のモデルや攻撃に適合する。 ケミノフォマティクスにおける応用可能性ドメインの概念から着想を得た。 本稿では,グローバルかつローカルにインプットをチェックする,シンプルで堅牢な3段階データ駆動フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-02T15:24:33Z)
• Constrained Learning with Non-Convex Losses [119.8736858597118]
  学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
  論文  参考訳（メタデータ） (2021-03-08T23:10:33Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。