論文の概要: Natural Perturbed Training for General Robustness of Neural Network Classifiers

• arxiv url: http://arxiv.org/abs/2103.11372v1
• Date: Sun, 21 Mar 2021 11:47:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 15:03:29.167918
• Title: Natural Perturbed Training for General Robustness of Neural Network Classifiers
• Title（参考訳）: ニューラルネットワーク分類器の汎用ロバストネスのための自然摂動トレーニング
• Authors: Sadaf Gulshad and Arnold Smeulders
• Abstract要約: 自然摂動学習は、自然摂動画像だけでなく、清潔で敵意のある画像に対する敵の訓練よりも、より良く、はるかに速いパフォーマンスを示す。 cifar-10とstl-10の自然摂動トレーニングでは、クリーンデータの精度が向上し、アートパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We focus on the robustness of neural networks for classification. To permit a fair comparison between methods to achieve robustness, we first introduce a standard based on the mensuration of a classifier's degradation. Then, we propose natural perturbed training to robustify the network. Natural perturbations will be encountered in practice: the difference of two images of the same object may be approximated by an elastic deformation (when they have slightly different viewing angles), by occlusions (when they hide differently behind objects), or by saturation, Gaussian noise etc. Training some fraction of the epochs on random versions of such variations will help the classifier to learn better. We conduct extensive experiments on six datasets of varying sizes and granularity. Natural perturbed learning show better and much faster performance than adversarial training on clean, adversarial as well as natural perturbed images. It even improves general robustness on perturbations not seen during the training. For Cifar-10 and STL-10 natural perturbed training even improves the accuracy for clean data and reaches the state of the art performance. Ablation studies verify the effectiveness of natural perturbed training.
• Abstract（参考訳）: 分類のためのニューラルネットワークの堅牢性に焦点を当てる。 頑健性を達成するための手法の比較を公平にするために,まず,分類器の劣化度測定に基づく基準を導入する。 そこで本研究では,ネットワーク強化のための自然摂動トレーニングを提案する。 同じ物体の2つの像の差は、(わずかに異なる視野角を持つ場合)弾性変形、(物体の後方に隠れている場合)オクルージョン、または飽和、ガウスノイズなどによって近似される。 このようなバリエーションのランダムなバージョンに関するエポックな部分のトレーニングは、分類器がよりよく学ぶのに役立つだろう。 大きさと粒度の異なる6つのデータセットについて広範な実験を行った。 自然摂動学習は、自然摂動画像だけでなく、清潔で敵意のある画像に対する敵の訓練よりも、より良く、はるかに速いパフォーマンスを示す。 トレーニング中に見えない摂動に対する一般的な堅牢性も向上する。 cifar-10とstl-10の自然摂動トレーニングでは、クリーンデータの精度が向上し、アートパフォーマンスが向上する。 アブレーション研究は自然摂動訓練の有効性を検証する。

関連論文リスト

• Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
  未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。 我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
  論文  参考訳（メタデータ） (2024-05-02T16:49:25Z)
• Topology-preserving Adversarial Training for Alleviating Natural Accuracy Degradation [27.11004064848789]
  逆行訓練は、自然な精度劣化問題に悩まされている。 本稿では,この問題を緩和するためのトポロジ-pserving Adversarial training (TRAIN)を提案する。 我々は,TRAINの自然精度は8.86%,頑健さは6.33%向上することを示した。
  論文  参考訳（メタデータ） (2023-11-29T13:05:06Z)
• F$^2$AT: Feature-Focusing Adversarial Training via Disentanglement of Natural and Perturbed Patterns [74.03108122774098]
  ディープニューラルネットワーク(DNN)は、よく設計された摂動によって構築された敵の例に対して脆弱である。 これは、自動運転車、監視セキュリティ、医療診断などの重要な応用について、悲惨な結果をもたらす可能性がある。 本稿では,自然パターンから中心となる特徴に焦点を合わせ,モデルに焦点をあてる機能集中型適応訓練(F$2$AT)を提案する。
  論文  参考訳（メタデータ） (2023-10-23T04:31:42Z)
• Robustness-via-Synthesis: Robust Training with Generative Adversarial Perturbations [10.140147080535224]
  先制攻撃による敵の訓練は、今日の敵の摂動に対する最も効果的な防御の1つである。 本研究では, 逆方向の摂動を自動的にランダムなベクトルから生成ネットワークを用いて合成する頑健な学習アルゴリズムを提案する。 実験結果から, 提案手法は様々な勾配に基づく, 生成的ロバストトレーニング手法により, 同等のロバスト性が得られることがわかった。
  論文  参考訳（メタデータ） (2021-08-22T13:15:24Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Adversarial and Natural Perturbations for General Robustness [11.537633174586956]
  我々は, ニューラルネットワークの自然摂動に対する頑健さを, 強靭化前後に評価した。 対人トレーニングは, 対人摂動に対するネットワークの性能を向上させるが, クリーンサンプル以外の自然摂動サンプルの性能は低下することを示した。 対照的に、弾性変形、閉塞、波動などの自然摂動は、自然摂動に対する性能を向上するだけでなく、対向摂動の性能を向上させる。
  論文  参考訳（メタデータ） (2020-10-03T17:53:18Z)
• Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
  知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。 敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-09-21T19:20:09Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)
• Seeing eye-to-eye? A comparison of object recognition performance in humans and deep convolutional neural networks under image manipulation [0.0]
  本研究では,ヒトとフィードフォワードニューラルネットワークの視覚コア物体認識性能の行動比較を目的とした。 精度分析の結果、人間はDCNNを全ての条件で上回るだけでなく、形状や色の変化に対する強い堅牢性も示している。
  論文  参考訳（メタデータ） (2020-07-13T10:26:30Z)
• Model-Based Robust Deep Learning: Generalizing to Natural, Out-of-Distribution Data [104.69689574851724]
  本稿では,摂動に基づく逆方向の強靭性からモデルに基づく頑健な深層学習へのパラダイムシフトを提案する。 我々の目標は、深層ニューラルネットワークを訓練し、データの自然な変動に対して堅牢にするための一般的なトレーニングアルゴリズムを提供することです。
  論文  参考訳（メタデータ） (2020-05-20T13:46:31Z)

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。