Fugu-MT 論文翻訳(概要): Diagnosing Vulnerability of Variational Auto-Encoders to Adversarial Attacks

論文の概要: Diagnosing Vulnerability of Variational Auto-Encoders to Adversarial Attacks

arxiv url: http://arxiv.org/abs/2103.06701v1
Date: Wed, 10 Mar 2021 14:23:20 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 08:16:58.238034
Title: Diagnosing Vulnerability of Variational Auto-Encoders to Adversarial Attacks
Title（参考訳）: 変分オートエンコーダの敵攻撃に対する脆弱性診断
Authors: Anna Kuzina, Max Welling, Jakub M. Tomczak
Abstract要約: 所定の潜入コード(監視攻撃)を取得するためにデータポイントを変更するか、または劇的に異なるコード(監視されていない攻撃)を取得する方法を示します。モデル修正がvaesのロバスト性に及ぼす影響を調べ,定量化のための指標を提案する。
参考スコア（独自算出の注目度）: 80.73580820014242
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we explore adversarial attacks on the Variational Autoencoders (VAE). We show how to modify data point to obtain a prescribed latent code (supervised attack) or just get a drastically different code (unsupervised attack). We examine the influence of model modifications ($\beta$-VAE, NVAE) on the robustness of VAEs and suggest metrics to quantify it.
Abstract（参考訳）: 本研究では,変分オートエンコーダ(VAE)に対する敵攻撃について検討する。所定の潜入コード(監視攻撃)を取得するためにデータポイントを変更するか、または劇的に異なるコード(監視されていない攻撃)を取得する方法を示します。モデル修正($-VAE, NVAE)がVAEのロバスト性に及ぼす影響について検討し, 定量化のための指標を提案する。

関連論文リスト

On the Exploitability of Instruction Tuning [103.8077787502381]
そこで本研究では,モデルの動作を変えるための命令チューニングを,相手がどのように活用できるかを検討する。自動データ中毒パイプラインである textitAutoPoison を提案する。結果から、AutoPoisonは、少数のデータだけを中毒することで、敵がモデルの振る舞いを変えることを可能にする。
論文参考訳（メタデータ） (2023-06-28T17:54:04Z)
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)
Defending Variational Autoencoders from Adversarial Attacks with MCMC [74.36233246536459]
変分オートエンコーダ(VAE)は、様々な領域で使用される深部生成モデルである。以前の研究が示すように、視覚的にわずかに修正された入力に対する予期せぬ潜在表現と再構成を生成するために、VAEを簡単に騙すことができる。本稿では, 敵攻撃構築のための目的関数について検討し, モデルのロバスト性を評価する指標を提案し, 解決策を提案する。
論文参考訳（メタデータ） (2022-03-18T13:25:18Z)
AAVAE: Augmentation-Augmented Variational Autoencoders [43.73699420145321]
本稿では,自動符号化に基づく自己教師型学習における第3のアプローチであるAugmentation-augmented variational autoencoders (AAVAE)を紹介する。画像分類において提案したAAVAEを,最近のコントラスト学習アルゴリズムや非コントラスト学習アルゴリズムと同様に実証的に評価した。
論文参考訳（メタデータ） (2021-07-26T17:04:30Z)
Self-Supervised Adversarial Example Detection by Disentangled Representation [16.98476232162835]
判別器ネットワークが支援するオートエンコーダを,正しくペア化されたクラス/セマンティクス特徴と誤ったペアのクラス/セマンティクス特徴の両方から訓練し,良性と反例を再構築する。これは逆例の振る舞いを模倣し、オートエンコーダの不要な一般化能力を減らすことができる。本手法は,最先端の自己監視検出手法と比較して,様々な測定結果において優れた性能を示す。
論文参考訳（メタデータ） (2021-05-08T12:48:18Z)
Hierarchical Variational Autoencoder for Visual Counterfactuals [79.86967775454316]
条件変量オート(VAE)は、説明可能な人工知能(XAI)ツールとして注目されている。本稿では, 後部の効果がいかに緩和され, 対物的効果が成功するかを示す。本稿では,アプリケーション内の分類器を視覚的に監査できる階層型VAEについて紹介する。
論文参考訳（メタデータ） (2021-02-01T14:07:11Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Double Backpropagation for Training Autoencoders against Adversarial Attack [15.264115499966413]
本稿では,オートエンコーダに対する敵攻撃に着目した。本稿では,VAE や DRAW などのオートエンコーダを確保するために,二重バックプロパゲーション (DBP) を採用することを提案する。
論文参考訳（メタデータ） (2020-03-04T05:12:27Z)

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。