Fugu-MT 論文翻訳(概要): Adaptive Neighbourhoods for the Discovery of Adversarial Examples

論文の概要: Adaptive Neighbourhoods for the Discovery of Adversarial Examples

arxiv url: http://arxiv.org/abs/2101.09108v1
Date: Fri, 22 Jan 2021 13:53:51 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 17:21:28.553218
Title: Adaptive Neighbourhoods for the Discovery of Adversarial Examples
Title（参考訳）: 対向例発見のための適応型近隣地域
Authors: Jay Morgan, Adeline Paiement, Arno Pauly, Monika Seisenberger
Abstract要約: 逆の例がコミュニティの注目を集めています本研究は,問題複雑性とデータサンプリング密度に基づいて,これらの領域のサイズを適応させることにより,既存のアプローチを補完し,改善する。これにより、このようなアプローチは他のタイプのデータに対してより適切になり、間違ったラベルを作成せずに地域サイズを増やすことにより、敵対的なトレーニング方法をさらに改善することができます。
参考スコア（独自算出の注目度）: 0.716879432974126
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep Neural Networks (DNNs) have often supplied state-of-the-art results in pattern recognition tasks. Despite their advances, however, the existence of adversarial examples have caught the attention of the community. Many existing works have proposed methods for searching for adversarial examples within fixed-sized regions around training points. Our work complements and improves these existing approaches by adapting the size of these regions based on the problem complexity and data sampling density. This makes such approaches more appropriate for other types of data and may further improve adversarial training methods by increasing the region sizes without creating incorrect labels.
Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、しばしばパターン認識タスクにおいて最先端の結果を提供する。しかし、その進歩にもかかわらず、敵対的な例の存在はコミュニティの注目を集めている。既存の多くの研究は、訓練点付近の固定サイズの領域における敵例を探索する手法を提案している。我々の研究は、これらの領域のサイズを問題複雑性とデータサンプリング密度に基づいて調整し、既存のアプローチを補完し改善する。これにより、そのようなアプローチは他の種類のデータに対してより適切になり、誤ったラベルを作成することなく、領域のサイズを拡大して敵の訓練方法を改善することができる。

関連論文リスト

Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。本提案では,ガウス分布を用いた地域表現をモデル化する。
論文参考訳（メタデータ） (2024-03-15T12:41:30Z)
Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文参考訳（メタデータ） (2023-08-28T18:48:34Z)
Beyond Empirical Risk Minimization: Local Structure Preserving Regularization for Improving Adversarial Robustness [28.853413482357634]
局所構造保存(LSP)正則化は、学習された埋め込み空間における入力空間の局所構造を保存することを目的としている。本研究では,学習した埋め込み空間における入力空間の局所構造を保存することを目的とした,新しい局所構造保存(LSP)正規化を提案する。
論文参考訳（メタデータ） (2023-03-29T17:18:58Z)
CorrLoss: Integrating Co-Occurrence Domain Knowledge for Affect Recognition [0.8889304968879161]
本稿では,認知に影響を及ぼすニューラルネットワークのトレーニングを強化するために,損失関数の制約として,顔の動きの共起に関するドメイン知識を統合することを提案する。共起パターンはデータセット間で類似する傾向があるため,本手法の適用によりモデルの一般化性が向上し,オーバーフィッティングのリスクが低くなる可能性がある。
論文参考訳（メタデータ） (2022-10-31T11:28:23Z)
Challenges in leveraging GANs for few-shot data augmentation [16.679224813570734]
本稿では,GANをベースとした小ショットデータ拡張を,小ショット分類性能を向上させる手法として活用することを検討する。我々は、純粋に監督された体制の下で、このような生成モデルを訓練することの難しさに関連する問題を特定する。これらの問題に対処するための,より実践的な方法として,半教師付き微調整手法を提案する。
論文参考訳（メタデータ） (2022-03-30T20:36:49Z)
Augmentation based unsupervised domain adaptation [2.304713283039168]
小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
論文参考訳（メタデータ） (2022-02-23T13:06:07Z)
Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文参考訳（メタデータ） (2021-07-27T14:47:24Z)
Uncertainty-Aware Deep Classifiers using Generative Models [7.486679152591502]
ディープニューラルネットワークは、しばしば、彼らが知らないことについて無知であり、インフォームド予測を行うときに過信する。最近のアプローチでは、クラス境界に近いデータサンプルやトレーニング分布の外側から、モデルに高い不確実性を出力するようにトレーニングすることで、不確実性を直接定量化している。本研究では,アレータ性およびてんかん性不確実性の両方を表現し,決定境界と分布外領域を識別できる新しいニューラルネットワークモデルを構築した。
論文参考訳（メタデータ） (2020-06-07T15:38:35Z)
Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文参考訳（メタデータ） (2020-03-23T13:40:06Z)
When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-02-24T11:35:28Z)
Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。