Fugu-MT 論文翻訳(概要): Block-wise Image Transformation with Secret Key for Adversarially Robust Defense

論文の概要: Block-wise Image Transformation with Secret Key for Adversarially Robust Defense

arxiv url: http://arxiv.org/abs/2010.00801v1
Date: Fri, 2 Oct 2020 06:07:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 02:18:57.888835
Title: Block-wise Image Transformation with Secret Key for Adversarially Robust Defense
Title（参考訳）: 逆ロバスト防御のための秘密鍵を用いたブロックワイズ画像変換
Authors: MaungMaung AprilPyone, Hitoshi Kiya
Abstract要約: 提案する変換を実現するために,Pixel Shuffling, Bit Flipping, FFX Encryptionの3つのアルゴリズムを開発した。 CIFAR-10とImageNetのデータセット上で、ブラックボックスとホワイトボックスの両方を用いて実験を行った。提案したディフェンスは,適応攻撃下においてもクリーン画像の精度を高い精度で達成する。
参考スコア（独自算出の注目度）: 17.551718914117917
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a novel defensive transformation that enables us to maintain a high classification accuracy under the use of both clean images and adversarial examples for adversarially robust defense. The proposed transformation is a block-wise preprocessing technique with a secret key to input images. We developed three algorithms to realize the proposed transformation: Pixel Shuffling, Bit Flipping, and FFX Encryption. Experiments were carried out on the CIFAR-10 and ImageNet datasets by using both black-box and white-box attacks with various metrics including adaptive ones. The results show that the proposed defense achieves high accuracy close to that of using clean images even under adaptive attacks for the first time. In the best-case scenario, a model trained by using images transformed by FFX Encryption (block size of 4) yielded an accuracy of 92.30% on clean images and 91.48% under PGD attack with a noise distance of 8/255, which is close to the non-robust accuracy (95.45%) for the CIFAR-10 dataset, and it yielded an accuracy of 72.18% on clean images and 71.43% under the same attack, which is also close to the standard accuracy (73.70%) for the ImageNet dataset. Overall, all three proposed algorithms are demonstrated to outperform state-of-the-art defenses including adversarial training whether or not a model is under attack.
Abstract（参考訳）: 本稿では,クリーン画像と敵対的例の両方を用いて,高い分類精度を維持できる新しい防御変換法を提案する。提案手法は,入力画像に対する秘密鍵を持つブロックワイズ前処理手法である。提案手法では,画素シャッフル,ビットフリップ,ffx暗号化の3つのアルゴリズムを開発した。 CIFAR-10とImageNetデータセット上で、適応性のあるものを含むさまざまなメトリクスでブラックボックスとホワイトボックスの攻撃を使用して実験を行った。その結果, 提案手法は, 適応攻撃時においても, クリーン画像の使用に近い精度が得られることがわかった。最善のシナリオでは、ffx暗号化によって変換された画像(ブロックサイズ4)を用いて訓練されたモデルは、クリーンイメージの92.30%、pgd攻撃の91.48%、ノイズ距離8/255、cifar-10データセットの非ロバスト精度(95.45%)に近く、imagenetデータセットの標準精度(73.70%)に近く、クリーンイメージの72.18%、同じ攻撃の71.43%の精度が得られた。全体として、提案した3つのアルゴリズムは、モデルが攻撃されているか否かに関わらず、敵の訓練を含む最先端の防御よりも優れていることを示す。

関連論文リスト

Gradient Masking All-at-Once: Ensemble Everything Everywhere Is Not Robust [65.95797963483729]
あらゆるものをアンサンブルすることは、敵の例に対する防御である。この防御は敵の攻撃に対して堅牢ではないことを示す。次に、標準的なアダプティブアタック技術を用いて、防御の堅牢な精度を低下させる。
論文参考訳（メタデータ） (2024-11-22T10:17:32Z)
Anomaly Unveiled: Securing Image Classification against Adversarial Patch Attacks [3.6275442368775512]
敵対的パッチ攻撃は、ディープラーニングシステムの実践的な展開に重大な脅威をもたらす。本稿では,画像情報の分布における逆パッチの異常としての挙動について検討する。提案する防御機構は,DBSCANと呼ばれるクラスタリング技術を用いて,異常な画像セグメントを分離する。
論文参考訳（メタデータ） (2024-02-09T08:52:47Z)
Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
論文参考訳（メタデータ） (2023-08-20T16:27:17Z)
Class-Conditioned Transformation for Enhanced Robust Image Classification [19.738635819545554]
本稿では,Adrial-versa-Trained (AT)モデルを強化する新しいテスト時間脅威モデルを提案する。コンディショナル・イメージ・トランスフォーメーションとディスタンス・ベース・予測(CODIP)を用いて動作する。提案手法は,様々なモデル,ATメソッド,データセット,アタックタイプに関する広範な実験を通じて,最先端の成果を実証する。
論文参考訳（メタデータ） (2023-03-27T17:28:20Z)
(Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文参考訳（メタデータ） (2022-06-21T17:27:27Z)
Diffusion Models for Adversarial Purification [69.1882221038846]
対人浄化(Adrial purification)とは、生成モデルを用いて敵の摂動を除去する防衛方法の分類である。そこで我々は,拡散モデルを用いたDiffPureを提案する。提案手法は,現在の対人訓練および対人浄化方法よりも優れ,最先端の成果を達成する。
論文参考訳（メタデータ） (2022-05-16T06:03:00Z)
Towards Practical Certifiable Patch Defense with Vision Transformer [34.00374565048962]
視覚変換器(ViT)を非ランダム化平滑化(DS)の枠組みに導入する。実世界における効率的な推論と展開のために,我々は,オリジナルViTのグローバルな自己アテンション構造を,孤立バンド単位の自己アテンションに革新的に再構築する。
論文参考訳（メタデータ） (2022-03-16T10:39:18Z)
PatchCleanser: Certifiably Robust Defense against Adversarial Patches for Any Image Classifier [30.559585856170216]
画像分類モデルに対する逆パッチ攻撃は、局所化された制限された画像領域(すなわち、パッチ)に逆向きに作られたピクセルを注入することを目的としている。我々はPatchCleanserを,任意の画像分類モデルと互換性のある敵パッチに対する堅牢な防御法として提案する。我々は,ImageNet, ImageNette, CIFAR-10, CIFAR-100, SVHN, Flowers-102データセットに対する防御効果を広く評価した。
論文参考訳（メタデータ） (2021-08-20T12:09:33Z)
Adversarial Robustness by Design through Analog Computing and Synthetic Gradients [80.60080084042666]
光コプロセッサにインスパイアされた敵攻撃に対する新しい防御機構を提案する。ホワイトボックス設定では、我々の防御はランダム投影のパラメータを難読化することで機能する。光学系におけるランダムプロジェクションとバイナライゼーションの組み合わせにより、様々な種類のブラックボックス攻撃に対するロバスト性も向上する。
論文参考訳（メタデータ） (2021-01-06T16:15:29Z)
Encryption Inspired Adversarial Defense for Visual Classification [17.551718914117917]
本稿では,画像暗号化方式に触発された新たな敵防御手法を提案する。提案手法は秘密鍵を用いたブロックワイズ画素シャッフル方式を用いる。精度が高い(クリーン画像91.55、CIFAR-10データセットでノイズ距離8/255の逆例89.66)。
論文参考訳（メタデータ） (2020-05-16T14:18:07Z)
(De)Randomized Smoothing for Certifiable Defense against Patch Attacks [136.79415677706612]
我々は、所定の画像とパッチ攻撃サイズを保証する、パッチ攻撃に対する認証可能な防御を導入する。本手法はランダム化スムースなロバスト性スキームの幅広いクラスに関係している。その結果,CIFAR-10およびImageNetに対するパッチ攻撃に対する認証済みの防御技術が確立した。
論文参考訳（メタデータ） (2020-02-25T08:39:46Z)

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。