論文の概要: Augmented Lagrangian Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2011.11857v2
- Date: Thu, 19 Aug 2021 15:26:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 12:35:21.419195
- Title: Augmented Lagrangian Adversarial Attacks
- Title（参考訳）: ラグランジアン攻撃の増大
- Authors: J\'er\^ome Rony, Eric Granger, Marco Pedersoli, Ismail Ben Ayed
- Abstract要約: 最小摂動対向例を生成するためのホワイトボックス攻撃アルゴリズムを提案する。
性能に決定的な影響を及ぼすアルゴリズム修正もいくつか導入しています。
我々の攻撃は、ペナルティ手法の一般化と距離制約アルゴリズムの計算効率を享受する。
- 参考スコア（独自算出の注目度）: 24.808284926109415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adversarial attack algorithms are dominated by penalty methods, which are
slow in practice, or more efficient distance-customized methods, which are
heavily tailored to the properties of the distance considered. We propose a
white-box attack algorithm to generate minimally perturbed adversarial examples
based on Augmented Lagrangian principles. We bring several algorithmic
modifications, which have a crucial effect on performance. Our attack enjoys
the generality of penalty methods and the computational efficiency of
distance-customized algorithms, and can be readily used for a wide set of
distances. We compare our attack to state-of-the-art methods on three datasets
and several models, and consistently obtain competitive performances with
similar or lower computational complexity.
- Abstract（参考訳）: 敵攻撃アルゴリズムは、実際は遅いペナルティ法、あるいはより効率的な距離近似法によって支配されている。
拡張ラグランジアン原理に基づく最小摂動逆例を生成するホワイトボックス攻撃アルゴリズムを提案する。
性能に決定的な影響を与えるアルゴリズム修正をいくつか導入する。
我々の攻撃は、ペナルティ手法の一般化と距離近似アルゴリズムの計算効率を楽しみ、より広い範囲で容易に使用できる。
3つのデータセットと複数のモデルに対する最先端の手法と比較し、同様のあるいは低い計算複雑性を持つ競合性能を一貫して獲得する。
関連論文リスト
- A Large-scale Multiple-objective Method for Black-box Attack against
Object Detection [70.00150794625053]
我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。
我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。
最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
論文 参考訳（メタデータ） (2022-09-16T08:36:42Z) - Query-Efficient and Scalable Black-Box Adversarial Attacks on Discrete
Sequential Data via Bayesian Optimization [10.246596695310176]
ブラックボックス設定における離散的な逐次データに基づくモデルに対する敵攻撃の問題に焦点をあてる。
我々はベイジアン最適化を用いたクエリ効率の良いブラックボックス攻撃を提案し、重要な位置を動的に計算する。
そこで我々は,摂動サイズを小さくした逆例を求めるポスト最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-17T06:11:36Z) - Proximal Splitting Adversarial Attacks for Semantic Segmentation [33.53113858999438]
ホワイトボックス攻撃は、近位ラグランジアンノルムに基づく敵対的セグメンテーションモデルを騙すことができることを示す。
セグメンテーションに適応した分類攻撃と同様に,従来提案した攻撃よりも有意に優れていた。
論文 参考訳（メタデータ） (2022-06-14T21:23:02Z) - Identification of Attack-Specific Signatures in Adversarial Examples [62.17639067715379]
異なる攻撃アルゴリズムは, その効果だけでなく, 被害者の質的な影響も示している。
以上の結果から, 予測的対人攻撃は, 模擬モデルにおける成功率だけでなく, 被害者に対するより深い下流効果によって比較されるべきであることが示唆された。
論文 参考訳（メタデータ） (2021-10-13T15:40:48Z) - Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。
近年の取り組みは、他の等級のl_infty摂動と組み合わせている。
本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-10T20:11:36Z) - Transferable Sparse Adversarial Attack [62.134905824604104]
オーバーフィッティング問題を緩和するジェネレータアーキテクチャを導入し、転送可能なスパース対逆例を効率的に作成する。
提案手法は,他の最適化手法よりも700$times$高速な推論速度を実現する。
論文 参考訳（メタデータ） (2021-05-31T06:44:58Z) - Adversarial examples attack based on random warm restart mechanism and
improved Nesterov momentum [0.0]
一部の研究は、ディープラーニングモデルが敵の例を攻撃し、誤った判断に弱いことを指摘している。
ランダムなウォームリスタート機構とネステロフ運動量改善に基づくRWR-NM-PGD攻撃アルゴリズムを提案する。
攻撃成功率は平均46.3077%であり,I-FGSMより27.19%,PGDより9.27%高い。
論文 参考訳（メタデータ） (2021-05-10T07:24:25Z) - Automated Decision-based Adversarial Attacks [48.01183253407982]
我々は、実用的で挑戦的な意思決定ベースのブラックボックスの敵意設定を考える。
この設定では、攻撃者はターゲットモデルに問い合わせるだけで最終分類ラベルを取得できる。
意思決定に基づく攻撃アルゴリズムを自動的に発見する。
論文 参考訳（メタデータ） (2021-05-09T13:15:10Z) - A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。
我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文 参考訳（メタデータ） (2020-09-09T18:19:31Z)
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。