Fugu-MT 論文翻訳(概要): Ethical Testing in the Real World: Evaluating Physical Testing of Adversarial Machine Learning

論文の概要: Ethical Testing in the Real World: Evaluating Physical Testing of Adversarial Machine Learning

arxiv url: http://arxiv.org/abs/2012.02048v1
Date: Thu, 3 Dec 2020 16:28:45 GMT
ステータス: 処理完了
システム内更新日: 2023-04-22 05:16:14.262673
Title: Ethical Testing in the Real World: Evaluating Physical Testing of Adversarial Machine Learning
Title（参考訳）: 現実世界における倫理的テスト: 対人機械学習の身体的テストの評価
Authors: Kendra Albert, Maggie Delano, Jonathon Penney, Afsaneh Rigot and Ram Shankar Siva Kumar
Abstract要約: 機械学習(ML、Adversarial Machine Learning)は、倫理的、科学的、健康・安全に関する問題である。本稿では、人体を含むコンピュータビジョンシステムに対する様々な対向機械学習(ML)攻撃に対する物理領域検定の妥当性と代表性について批判的に評価する。
参考スコア（独自算出の注目度）: 0.71747343065587
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper critically assesses the adequacy and representativeness of physical domain testing for various adversarial machine learning (ML) attacks against computer vision systems involving human subjects. Many papers that deploy such attacks characterize themselves as "real world." Despite this framing, however, we found the physical or real-world testing conducted was minimal, provided few details about testing subjects and was often conducted as an afterthought or demonstration. Adversarial ML research without representative trials or testing is an ethical, scientific, and health/safety issue that can cause real harms. We introduce the problem and our methodology, and then critique the physical domain testing methodologies employed by papers in the field. We then explore various barriers to more inclusive physical testing in adversarial ML and offer recommendations to improve such testing notwithstanding these challenges.
Abstract（参考訳）: 本稿では,人間を含むコンピュータビジョンシステムに対する様々な機械学習(ml)攻撃に対する物理領域テストの妥当性と代表性について批判的に評価する。このような攻撃を展開する多くの論文は、自らを「現実世界」と特徴づけている。しかし、このフレーミングにもかかわらず、実際のテストは最小限であり、被験者についてはほとんど詳細を示さず、後述や実演としてしばしば行われた。代表的トライアルやテストのない敵対的ML研究は、倫理的、科学的、健康・安全の問題であり、真の損害を引き起こす可能性がある。この問題と方法論を紹介し,その分野の論文で採用されている物理ドメインテスト方法論を批判する。次に、敵mlにおけるより包括的な物理的テストに対するさまざまな障壁を調査し、これらの課題にかかわらず、このようなテストを改善するための推奨を提供する。

関連論文リスト

AI-Compass: A Comprehensive and Effective Multi-module Testing Tool for AI Systems [26.605694684145313]
本研究では,AIシステムを包括的かつ効果的に評価するテストツール,ツールを設計,実装する。このツールは、敵の堅牢性、モデル解釈可能性、およびニューロン分析を広範囲に評価する。私たちの研究は、ランドスケープをテストするAIシステムの一般的なソリューションに光を当てています。
論文参考訳（メタデータ） (2024-11-09T11:15:17Z)
PADetBench: Towards Benchmarking Physical Attacks against Object Detection [16.342703290998752]
物体検出に対する物理的攻撃は、その重要な実践的意味から注目を集めている。これらの課題に対処するため、現実的なシミュレーションを活用し、物理的攻撃を徹底的かつ厳密にベンチマークする。私たちのベンチマークには、20の物理的攻撃方法、48のオブジェクト検出器、包括的な物理力学、評価指標が含まれています。
論文参考訳（メタデータ） (2024-08-17T12:11:22Z)
Survey of Computerized Adaptive Testing: A Machine Learning Perspective [66.26687542572974]
コンピュータ適応テスト (Computerized Adaptive Testing, CAT) は、試験の熟練度を評価するための効率的で調整された方法である。本稿では,この適応テスト手法に対する新たな視点を提示し,機械学習に着目したCATに関する調査を行うことを目的とする。
論文参考訳（メタデータ） (2024-03-31T15:09:47Z)
MultiTest: Physical-Aware Object Insertion for Testing Multi-sensor Fusion Perception Systems [23.460181958075566]
マルチセンサー融合(MSF、Multi-Sensor fusion)は、自動運転車や自動ロボットアームなど、多くの安全上重要なタスクや応用に対処する鍵となる技術である。既存のテスト方法は、主に単一センサーの知覚システムに焦点を当てている。複雑なMSF知覚システムのための適合性誘導型メタモルフィックテスト手法であるMultiTestを紹介する。
論文参考訳（メタデータ） (2024-01-25T17:03:02Z)
From Static Benchmarks to Adaptive Testing: Psychometrics in AI Evaluation [60.14902811624433]
本稿では,静的評価手法から適応テストへのパラダイムシフトについて論じる。これには、ベンチマークで各テスト項目の特性と価値を推定し、リアルタイムでアイテムを動的に調整することが含まれる。我々は、AI評価にサイコメトリックを採用する現在のアプローチ、アドバンテージ、そして根底にある理由を分析します。
論文参考訳（メタデータ） (2023-06-18T09:54:33Z)
Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
論文参考訳（メタデータ） (2023-03-24T16:38:58Z)
Review on the Feasibility of Adversarial Evasion Attacks and Defenses for Network Intrusion Detection Systems [0.7829352305480285]
最近の研究は、サイバーセキュリティ分野における多くの懸念を提起している。機械学習アルゴリズムに基づくセキュリティシステムに対する攻撃の可能性について研究する研究者が増えている。
論文参考訳（メタデータ） (2023-03-13T11:00:05Z)
A Survey on Computer Vision based Human Analysis in the COVID-19 Era [58.79053747159797]
新型コロナウイルスの出現は、社会全体だけでなく、個人の生活にも大きく影響している。マスクやソーシャルディスタンシングの義務、公共空間での定期消毒、スクリーニングアプリケーションの使用など、さまざまな予防策が世界中で導入されている。これらの発展は、(i)視覚データの自動解析による予防対策の支援、(ii)生体認証などの既存の視覚ベースのサービスの正常な操作を容易にする、新しいコンピュータビジョン技術の必要性を喚起した。
論文参考訳（メタデータ） (2022-11-07T17:20:39Z)
Physical Adversarial Attack meets Computer Vision: A Decade Survey [55.38113802311365]
本稿では,身体的敵意攻撃の概要を概観する。本研究は,身体的敵意攻撃の性能を体系的に評価する第一歩を踏み出した。提案する評価基準であるhiPAAは6つの視点から構成される。
論文参考訳（メタデータ） (2022-09-30T01:59:53Z)
Mind the Gap! A Study on the Transferability of Virtual vs Physical-world Testing of Autonomous Driving Systems [6.649715954440713]
私たちはDonkey Carのオープンソースフレームワークを活用して、物理的に小型の車両にデプロイされたSDCのテストと仮想シミュレーションされたテストとを経験的に比較します。多くのテスト結果が仮想環境と物理環境の間で伝達される一方で、仮想環境と物理環境の間の現実的ギャップに寄与する重要な欠点も確認した。
論文参考訳（メタデータ） (2021-12-21T14:28:35Z)
Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-02-05T10:25:02Z)

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。