論文の概要: Black Box to White Box: Discover Model Characteristics Based on Strategic Probing

• arxiv url: http://arxiv.org/abs/2009.03136v1
• Date: Mon, 7 Sep 2020 14:44:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:30:56.905266
• Title: Black Box to White Box: Discover Model Characteristics Based on Strategic Probing
• Title（参考訳）: ブラックボックスからホワイトボックスへ - 戦略的調査に基づくモデル特性の発見
• Authors: Josh Kalin, Matthew Ciolino, David Noever, Gerry Dozier
• Abstract要約: White Box Adversarial Attacksは、モデル属性に関する基本的な知識に頼っている。 この作業は、基礎となるアーキテクチャと一次トレーニングデータセットという、モデルの情報を分離する部分を見つけることに焦点を当てている。 イメージ分類では、一般的なパブリックライブラリで利用可能な、広くデプロイされたアーキテクチャとデータセットの探索に重点を置いている。 複数のパラメーターを持つ単一のトランスフォーマーアーキテクチャを用いて、テキスト生成は異なるデータセットを微調整することによって行われる。 画像とテキストで探索された各データセットは、互いに区別可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Machine Learning, White Box Adversarial Attacks rely on knowing underlying knowledge about the model attributes. This works focuses on discovering to distrinct pieces of model information: the underlying architecture and primary training dataset. With the process in this paper, a structured set of input probes and the output of the model become the training data for a deep classifier. Two subdomains in Machine Learning are explored: image based classifiers and text transformers with GPT-2. With image classification, the focus is on exploring commonly deployed architectures and datasets available in popular public libraries. Using a single transformer architecture with multiple levels of parameters, text generation is explored by fine tuning off different datasets. Each dataset explored in image and text are distinguishable from one another. Diversity in text transformer outputs implies further research is needed to successfully classify architecture attribution in text domain.
• Abstract（参考訳）: 機械学習では、White Box Adversarial Attacksはモデル属性に関する基本的な知識に頼っている。 この作業は、基礎となるアーキテクチャと一次トレーニングデータセットという、モデルの情報を分離する部分を見つけることに焦点を当てている。 本論文のプロセスでは、入力プローブの構造化セットとモデルの出力が、深層分類器のトレーニングデータとなる。 機械学習における2つのサブドメイン:画像ベース分類器とGPT-2によるテキスト変換器。 イメージ分類では、一般的なパブリックライブラリで利用可能な一般的なデプロイアーキテクチャとデータセットの探索に重点を置いている。 複数のパラメーターを持つ単一のトランスフォーマーアーキテクチャを用いて、テキスト生成は異なるデータセットを微調整することによって行われる。 画像とテキストで探索された各データセットは、互いに区別可能である。 テキストトランスフォーマティブ出力の多様性は、テキストドメインにおけるアーキテクチャ属性の分類に成功するためには、さらなる研究が必要であることを意味する。

関連論文リスト

• SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding [56.079013202051094]
  ボックスレベルのアノテーションを信号として転送する新しい手法であるSegVGを提案する。 このアプローチでは,ボックスレベルのレグレッションとピクセルレベルのセグメンテーションの両方の信号としてアノテーションを反復的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:30:45Z)
• Multimodal Metadata Assignment for Cultural Heritage Artifacts [1.5826261914050386]
  我々は,後期融合アプローチを用いた文化的遺産ドメインのマルチモーダル分類器を開発した。 3つのモダリティは、画像、テキスト、タブラリデータである。 個々の分類器は、デジタル化された絹のアーティファクトの欠落特性を正確に予測し、マルチモーダルなアプローチが最良の結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-01T12:41:03Z)
• Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
  記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。 このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。 本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-15T16:26:49Z)
• Memory Classifiers: Two-stage Classification for Robustness in Machine Learning [19.450529711560964]
  本稿では,分散シフトに対するロバスト性を改善する新しい分類法を提案する。 データの高レベル構造に関する専門知識を標準分類器と組み合わせる。 標準データ拡張技術を超える改善を示す。
  論文  参考訳（メタデータ） (2022-06-10T18:44:45Z)
• Towards End-to-End Unified Scene Text Detection and Layout Analysis [60.68100769639923]
  本稿では,シーンテキストの検出とレイアウト解析を統合化するタスクについて紹介する。 この新たな研究課題を実現するために、最初の階層的なシーンテキストデータセットが導入された。 また,シーンテキストを同時に検出し,テキストクラスタを統一的に形成する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T23:35:45Z)
• Integrating Visuospatial, Linguistic and Commonsense Structure into Story Visualization [81.26077816854449]
  まず、構造的入力を符号化するための選挙区解析木の利用について検討する。 第二に、構造化されたインプットをコモンセンス情報で強化し、この外部知識が視覚的ストーリーの生成に与える影響について検討する。 第3に、境界ボックスと高密度キャプションによって視覚構造を組み込んで、生成された画像の文字やオブジェクトに関するフィードバックを提供する。
  論文  参考訳（メタデータ） (2021-10-21T00:16:02Z)
• Pre-training Language Model Incorporating Domain-specific Heterogeneous Knowledge into A Unified Representation [49.89831914386982]
  本研究では, 構造化されていないテキスト, 半構造化されたテキスト, 十分に構造化されたテキストを含む, あらゆる形式のテキストに対して, 統一された事前学習言語モデル (PLM) を提案する。 提案手法は,データの1/4のみを用いて,プレーンテキストの事前学習に優れる。
  論文  参考訳（メタデータ） (2021-09-02T16:05:24Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)

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。