論文の概要: Adversarial and Natural Perturbations for General Robustness

• arxiv url: http://arxiv.org/abs/2010.01401v1
• Date: Sat, 3 Oct 2020 17:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 08:34:21.085541
• Title: Adversarial and Natural Perturbations for General Robustness
• Title（参考訳）: 一般ロバスト性に対する逆および自然摂動
• Authors: Sadaf Gulshad, Jan Hendrik Metzen, Arnold Smeulders
• Abstract要約: 我々は, ニューラルネットワークの自然摂動に対する頑健さを, 強靭化前後に評価した。 対人トレーニングは, 対人摂動に対するネットワークの性能を向上させるが, クリーンサンプル以外の自然摂動サンプルの性能は低下することを示した。 対照的に、弾性変形、閉塞、波動などの自然摂動は、自然摂動に対する性能を向上するだけでなく、対向摂動の性能を向上させる。
• 参考スコア（独自算出の注目度）: 11.537633174586956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we aim to explore the general robustness of neural network classifiers by utilizing adversarial as well as natural perturbations. Different from previous works which mainly focus on studying the robustness of neural networks against adversarial perturbations, we also evaluate their robustness on natural perturbations before and after robustification. After standardizing the comparison between adversarial and natural perturbations, we demonstrate that although adversarial training improves the performance of the networks against adversarial perturbations, it leads to drop in the performance for naturally perturbed samples besides clean samples. In contrast, natural perturbations like elastic deformations, occlusions and wave does not only improve the performance against natural perturbations, but also lead to improvement in the performance for the adversarial perturbations. Additionally they do not drop the accuracy on the clean images.
• Abstract（参考訳）: 本稿では,逆方向と自然摂動を利用したニューラルネットワーク分類器の汎用ロバスト性について検討する。 ニューラルネットワークの対向的摂動に対する堅牢性の研究を主眼とする従来の研究と異なり, 強弱化前後の自然摂動に対する頑健性も評価した。 対人摂動と自然摂動の比較を標準化した後、対人トレーニングは対人摂動に対するネットワークの性能を向上させるが、クリーンサンプル以外の自然摂動サンプルの性能は低下することを示した。 対照的に, 弾性変形, 咬合, 波動などの自然摂動は, 自然摂動に対する性能を向上させるだけでなく, 逆摂動に対する性能の向上にもつながる。 さらに、クリーンな画像に精度を落とさない。

関連論文リスト

• Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
  敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。 我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。 我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
  論文  参考訳（メタデータ） (2024-02-27T13:49:12Z)
• Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement [61.048842737581865]
  逆方向の微調整法は, 逆方向の訓練方法で, 自然に事前訓練されたモデルを微調整することにより, 逆方向の強靭性を高めることを目的としている。 特徴ギャップの原因となる潜伏する特徴を明示的にモデル化し,取り除く,アンタングルメントに基づくアプローチを提案する。 3つのベンチマークデータセットに対する実証的な評価は、我々のアプローチが既存の逆方向の微調整法や逆方向のトレーニングベースラインを超えていることを示している。
  論文  参考訳（メタデータ） (2024-01-26T08:38:57Z)
• Towards Improving Robustness Against Common Corruptions in Object Detectors Using Adversarial Contrastive Learning [10.27974860479791]
  本稿では, ニューラルネットワークの強靭性向上と, 対人攻撃と共通汚職の同時防止を目的とした, 革新的な対人的コントラスト学習フレームワークを提案する。 対戦型および実世界の条件下での性能向上に焦点を合わせることで、安全クリティカルなアプリケーションにおけるニューラルネットワークの堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2023-11-14T06:13:52Z)
• F$^2$AT: Feature-Focusing Adversarial Training via Disentanglement of Natural and Perturbed Patterns [74.03108122774098]
  ディープニューラルネットワーク(DNN)は、よく設計された摂動によって構築された敵の例に対して脆弱である。 これは、自動運転車、監視セキュリティ、医療診断などの重要な応用について、悲惨な結果をもたらす可能性がある。 本稿では,自然パターンから中心となる特徴に焦点を合わせ,モデルに焦点をあてる機能集中型適応訓練(F$2$AT)を提案する。
  論文  参考訳（メタデータ） (2023-10-23T04:31:42Z)
• On the Over-Memorization During Natural, Robust and Catastrophic Overfitting [58.613079045392446]
  オーバーフィッティングは、自然と敵対両方のトレーニングにおいて、ディープニューラルネットワーク(DNN)の一般化能力に悪影響を及ぼす。 本稿では,過メモリ化を明示的に防止する一般的なフレームワークである Distraction Over-Memorization (DOM) を提案する。
  論文  参考訳（メタデータ） (2023-10-13T04:14:51Z)
• Wavelets Beat Monkeys at Adversarial Robustness [0.8702432681310401]
  物理的にインスピレーションを受けた構造が、これまで人間の大脳皮質を巧みに模倣してしか考えられていなかったロバスト性に対する新たな洞察をいかに生み出すかを示す。 我々の研究は、物理的にインスピレーションを受けた構造が、これまで人間の大脳皮質を巧みに模倣してしか考えられていなかった堅牢性に対する新たな洞察をいかに生み出すかを示している。
  論文  参考訳（メタデータ） (2023-04-19T03:41:30Z)
• Natural Perturbed Training for General Robustness of Neural Network Classifiers [0.0]
  自然摂動学習は、自然摂動画像だけでなく、清潔で敵意のある画像に対する敵の訓練よりも、より良く、はるかに速いパフォーマンスを示す。 cifar-10とstl-10の自然摂動トレーニングでは、クリーンデータの精度が向上し、アートパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2021-03-21T11:47:38Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Analysis of Random Perturbations for Robust Convolutional Neural Networks [11.325672232682903]
  最近の研究は、ニューラルネットワークのランダムな摂動が敵の攻撃に対する堅牢性を改善することを広く示している。 トレーニング中にこれらの摂動が観察されない限り,摂動をベースとした防御は適応攻撃に対する堅牢性をほとんど示さない。 元の入力の近辺における逆の例は、第1および第2次解析における摂動に対する高い感度を示す。
  論文  参考訳（メタデータ） (2020-02-08T03:46:07Z)

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。