Fugu-MT 論文翻訳(概要): Noise Sensitivity-Based Energy Efficient and Robust Adversary Detection in Neural Networks

論文の概要: Noise Sensitivity-Based Energy Efficient and Robust Adversary Detection in Neural Networks

arxiv url: http://arxiv.org/abs/2101.01543v1
Date: Tue, 5 Jan 2021 14:31:53 GMT
ステータス: 処理完了
システム内更新日: 2021-04-11 15:56:31.053760
Title: Noise Sensitivity-Based Energy Efficient and Robust Adversary Detection in Neural Networks
Title（参考訳）: ニューラルネットワークにおける雑音感度に基づくエネルギー効率とロバスト逆検出
Authors: Rachel Sterneck, Abhishek Moitra, Priyadarshini Panda
Abstract要約: 逆の例は、愚かな分類器ネットワークに注意深く浸透した入力であり、一方で人間には変化がない。本稿では,深層ニューラルネットワーク(DNN)を検出器サブネットワークで拡張する構造化手法を提案する。本手法は,実例に対する最先端検出器のロバスト性が向上することを示す。
参考スコア（独自算出の注目度）: 3.125321230840342
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural networks have achieved remarkable performance in computer vision, however they are vulnerable to adversarial examples. Adversarial examples are inputs that have been carefully perturbed to fool classifier networks, while appearing unchanged to humans. Based on prior works on detecting adversaries, we propose a structured methodology of augmenting a deep neural network (DNN) with a detector subnetwork. We use $\textit{Adversarial Noise Sensitivity}$ (ANS), a novel metric for measuring the adversarial gradient contribution of different intermediate layers of a network. Based on the ANS value, we append a detector to the most sensitive layer. In prior works, more complex detectors were added to a DNN, increasing the inference computational cost of the model. In contrast, our structured and strategic addition of a detector to a DNN reduces the complexity of the model while making the overall network adversarially resilient. Through comprehensive white-box and black-box experiments on MNIST, CIFAR-10, and CIFAR-100, we show that our method improves state-of-the-art detector robustness against adversarial examples. Furthermore, we validate the energy efficiency of our proposed adversarial detection methodology through an extensive energy analysis on various hardware scalable CMOS accelerator platforms. We also demonstrate the effects of quantization on our detector-appended networks.
Abstract（参考訳）: ニューラルネットワークはコンピュータビジョンにおいて顕著な性能を達成したが、敵の例には弱い。逆の例は、愚かな分類器ネットワークに注意深く浸透した入力であり、人間には変わらない。本稿では,従来の敵検出手法に基づいて,検出サブネットワークを用いたディープニューラルネットワーク(DNN)の強化手法を提案する。ネットワークの異なる中間層における逆勾配の寄与を測定するための新しい指標である$\textit{Adversarial Noise Sensitivity}$ (ANS) を用いる。 ANS値に基づいて、最も感度の高い層に検出器を付加する。以前の研究では、より複雑な検出器がDNNに追加され、モデルの推論計算コストが増加した。対照的に、DNNへの検出器の構造化と戦略的付加は、全体的なネットワークを逆向きにレジリエントにしながら、モデルの複雑さを低減します。 MNIST, CIFAR-10, CIFAR-100における包括的ホワイトボックスおよびブラックボックス実験により, 本手法は, 対向例に対する最先端検出器の堅牢性を向上することを示した。さらに,様々なハードウェアでスケーラブルなCMOSアクセラレータプラットフォーム上でのエネルギー分析により,提案手法のエネルギー効率を検証した。また,量子化が検出対象ネットワークに与える影響を実証する。

関連論文リスト

Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
論文参考訳（メタデータ） (2024-07-09T03:59:06Z)
A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文参考訳（メタデータ） (2023-10-10T09:39:38Z)
Unfolding Local Growth Rate Estimates for (Almost) Perfect Adversarial Detection [22.99930028876662]
畳み込みニューラルネットワーク(CNN)は、多くの知覚的タスクにおける最先端のソリューションを定義する。現在のCNNアプローチは、システムを騙すために特別に作られた入力の敵の摂動に対して脆弱なままである。本稿では,ネットワークの局所固有次元(LID)と敵攻撃の関係について,最近の知見を生かした,シンプルで軽量な検出器を提案する。
論文参考訳（メタデータ） (2022-12-13T17:51:32Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
On the Robustness and Anomaly Detection of Sparse Neural Networks [28.832060124537843]
スパシティーによってネットワークがより堅牢になり、異常検知がより良くなることを示す。また, 構造的疎水性は, 高価なロバスト性および検出方法の複雑さを低減するのに大いに有効であることを示す。本稿では,適切な刈り取り法から得られた重みの感度を利用して異常サンプルを検出する新しい手法であるSensNormを紹介する。
論文参考訳（メタデータ） (2022-07-09T09:03:52Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
An Empirical Study of Adder Neural Networks for Object Detection [67.64041181937624]
加算ニューラルネットワーク(AdderNets)は、追加操作のみを伴う画像分類において、優れたパフォーマンスを示している。本稿では,オブジェクト検出のためのAdderNetsを実証研究する。
論文参考訳（メタデータ） (2021-12-27T11:03:13Z)
Improving Neural Network Robustness through Neighborhood Preserving Layers [0.751016548830037]
このような層を組み込むことができ、効率的にトレーニングできる新しいニューラルネットワークアーキテクチャを実証する。我々は、設計したネットワークアーキテクチャが、最先端の勾配に基づく攻撃に対してより堅牢であることを実証的に示す。
論文参考訳（メタデータ） (2021-01-28T01:26:35Z)
QUANOS- Adversarial Noise Sensitivity Driven Hybrid Quantization of Neural Networks [3.2242513084255036]
QUINOSは、逆雑音感度(ANS)に基づく層特異的ハイブリッド量子化を行うフレームワークである CIFAR10, CIFAR100データセットを用いた実験により, QUINOSは対向ロバスト性の観点から, 均一に量子化された8ビット精度のベースラインより優れていることが示された。
論文参考訳（メタデータ） (2020-04-22T15:56:31Z)
Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
論文参考訳（メタデータ） (2020-02-11T13:58:16Z)

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。