Fugu-MT 論文翻訳(概要): Random Projections for Improved Adversarial Robustness

論文の概要: Random Projections for Improved Adversarial Robustness

arxiv url: http://arxiv.org/abs/2102.09230v1
Date: Thu, 18 Feb 2021 09:13:14 GMT
ステータス: 処理完了
システム内更新日: 2021-02-19 18:39:24.153041
Title: Random Projections for Improved Adversarial Robustness
Title（参考訳）: 対向ロバスト性向上のためのランダム投影法
Authors: Ginevra Carbone, Guido Sanguinetti, Luca Bortolussi
Abstract要約: 敵対攻撃に対するニューラルネットワークの堅牢性向上のための2つのトレーニング手法を提案する。最初のテクニックはRP-Ensembleと呼ばれ、元の入力の複数の投影バージョンで訓練されたネットワークのアンサンブルで構成されています。第2のテクニックはRP-Regularizerと呼ばれ、代わりにトレーニング目的に正規化用語を追加する。
参考スコア（独自算出の注目度）: 3.222802562733787
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose two training techniques for improving the robustness of Neural Networks to adversarial attacks, i.e. manipulations of the inputs that are maliciously crafted to fool networks into incorrect predictions. Both methods are independent of the chosen attack and leverage random projections of the original inputs, with the purpose of exploiting both dimensionality reduction and some characteristic geometrical properties of adversarial perturbations. The first technique is called RP-Ensemble and consists of an ensemble of networks trained on multiple projected versions of the original inputs. The second one, named RP-Regularizer, adds instead a regularization term to the training objective.
Abstract（参考訳）: 敵攻撃に対するニューラルネットワークの堅牢性を改善するための2つのトレーニング手法を提案する。不正な予測にネットワークを騙すために悪質に作られた入力の操作。どちらの方法も選択された攻撃とは独立であり、元の入力のランダムな射影を活用し、次元の縮小と逆摂動の幾何学的性質の両方を利用する。最初のテクニックはRP-Ensembleと呼ばれ、元の入力の複数の投影バージョンで訓練されたネットワークのアンサンブルで構成されています。 2番目のRP-Regularizerはトレーニング目標に正規化用語を追加する。

関連論文リスト

Edge-Only Universal Adversarial Attacks in Distributed Learning [49.546479320670464]
本研究では,攻撃者がモデルのエッジ部分のみにアクセスした場合に,ユニバーサルな敵攻撃を発生させる可能性について検討する。提案手法は, エッジ側の重要な特徴を活用することで, 未知のクラウド部分において, 効果的な誤予測を誘導できることを示唆する。 ImageNetの結果は、未知のクラウド部分に対する強力な攻撃伝達性を示している。
論文参考訳（メタデータ） (2024-11-15T11:06:24Z)
Adversarial Training Should Be Cast as a Non-Zero-Sum Game [121.95628660889628]
対人訓練の2つのプレイヤーゼロサムパラダイムは、十分な強靭性を発揮できていない。敵のトレーニングアルゴリズムでよく使われるサロゲートベースの緩和は、ロバスト性に関するすべての保証を無効にすることを示す。対人訓練の新たな非ゼロサム二段階の定式化は、一致し、場合によっては最先端の攻撃よりも優れたフレームワークをもたらす。
論文参考訳（メタデータ） (2023-06-19T16:00:48Z)
Improving Adversarial Robustness to Sensitivity and Invariance Attacks with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文参考訳（メタデータ） (2022-11-04T13:54:02Z)
Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-13T15:39:43Z)
Adaptative Perturbation Patterns: Realistic Adversarial Learning for Robust NIDS [0.3867363075280543]
アドリアックは、機械学習とそれに依存するシステムにとって大きな脅威となる。この研究は、グレーボックス設定でこれらの制約を満たすためにAdaptative Perturbation Pattern Method (A2PM)を導入する。 A2PMは、各クラスの特性に独立して適応し、有効で一貫性のあるデータ摂動を生成するパターン配列に依存している。
論文参考訳（メタデータ） (2022-03-08T17:52:09Z)
Robust Binary Models by Pruning Randomly-initialized Networks [57.03100916030444]
ランダムな二元ネットワークから敵攻撃に対して頑健なモデルを得る方法を提案する。ランダムな二元ネットワークを切断することにより、ロバストモデルの構造を学習する。本手法は, 敵攻撃の有無で, 強力な抽選券仮説を立証する。
論文参考訳（メタデータ） (2022-02-03T00:05:08Z)
Drawing Robust Scratch Tickets: Subnetworks with Inborn Robustness Are Found within Randomly Initialized Networks [13.863895853997091]
一般的な宝くじ券の仮説とは別として、元の密集ネットワークや特定されたRTTをトレーニングする必要はない。同一の高密度ネットワークから引き出された疎度比の異なるRTT間の逆転送性について検討した。本稿では,Random RST Switch (R2S) 技術を提案する。
論文参考訳（メタデータ） (2021-10-26T22:52:56Z)
Improving Transformation-based Defenses against Adversarial Examples with First-order Perturbations [16.346349209014182]
研究によると、ニューラルネットワークは敵の攻撃を受けやすい。これにより、ニューラルネットワークベースのインテリジェントシステムに対する潜在的な脅威が露呈する。本稿では, 対向性強靭性を改善するために, 対向性摂動に対処する手法を提案する。
論文参考訳（メタデータ） (2021-03-08T06:27:24Z)
Second Order Optimization for Adversarial Robustness and Interpretability [6.700873164609009]
本稿では,2次近似による第1次及び第2次情報を対向損失に組み込んだ新しい正則化器を提案する。正規化器における1つの繰り返しのみを用いることで、先行勾配や曲率正規化よりも強い強靭性が得られることが示されている。それは、ネットワークが人間の知覚によく適合する機能を学ぶという、ATの興味深い側面を保っている。
論文参考訳（メタデータ） (2020-09-10T15:05:14Z)
Feature Purification: How Adversarial Training Performs Robust Deep Learning [66.05472746340142]
ニューラルネットワークのトレーニングプロセス中に隠れた重みに、特定の小さな密度の混合物が蓄積されることが、敵の例の存在の原因の1つであることを示す。この原理を説明するために、CIFAR-10データセットの両実験と、ある自然な分類タスクに対して、ランダムな勾配勾配勾配を用いた2層ニューラルネットワークをトレーニングすることを証明する理論的結果を示す。
論文参考訳（メタデータ） (2020-05-20T16:56:08Z)

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。