Fugu-MT 論文翻訳(概要): Revisiting Hilbert-Schmidt Information Bottleneck for Adversarial Robustness

論文の概要: Revisiting Hilbert-Schmidt Information Bottleneck for Adversarial Robustness

arxiv url: http://arxiv.org/abs/2106.02734v1
Date: Fri, 4 Jun 2021 21:53:20 GMT
ステータス: 処理完了
システム内更新日: 2021-06-08 17:56:26.530084
Title: Revisiting Hilbert-Schmidt Information Bottleneck for Adversarial Robustness
Title（参考訳）: 敵対的ロバスト性に対するHilbert-Schmidt Information Bottleneckの再検討
Authors: Zifeng Wang, Tong Jian, Aria Masoomi, Stratis Ioannidis, Jennifer Dy
Abstract要約: HSICのボトルネックは,理論的にも実験的にも,敵攻撃に対する堅牢性を高めることが示唆された。複数のベンチマークデータセットとアーキテクチャに関する実験により、HSICボトルネック正規化器を組み込むことで、競争力のある自然精度が得られることが示された。
参考スコア（独自算出の注目度）: 10.60681554369087
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate the HSIC (Hilbert-Schmidt independence criterion) bottleneck as a regularizer for learning an adversarially robust deep neural network classifier. We show that the HSIC bottleneck enhances robustness to adversarial attacks both theoretically and experimentally. Our experiments on multiple benchmark datasets and architectures demonstrate that incorporating an HSIC bottleneck regularizer attains competitive natural accuracy and improves adversarial robustness, both with and without adversarial examples during training.
Abstract（参考訳）: 我々はHSIC(Hilbert-Schmidt independent criterion)ボトルネックを,逆向きに堅牢なディープニューラルネットワーク分類器を学習するための正規化器として検討する。 HSICのボトルネックは理論的・実験的双方の敵攻撃に対する堅牢性を高める。複数のベンチマークデータセットとアーキテクチャに関する実験により、HSICボトルネック正規化器を組み込むことで、競争力のある自然精度が得られ、トレーニング中の敵の例の有無にかかわらず、敵の堅牢性が向上することが示された。

関連論文リスト

Towards Calibrated Deep Clustering Network [60.71776081164377]
ディープクラスタリングでは、特定のクラスタに属するサンプルに対する推定信頼度はその実際の予測精度を大きく上回る。推定された信頼度と実際の精度を効果的にキャリブレーションできる新しいデュアルヘッド(キャリブレーションヘッドとクラスタリングヘッド)深層クラスタリングモデルを提案する。大規模実験により, 提案手法は, 最先端の深層クラスタリング手法を10倍に越えるだけでなく, クラスタリング精度も大幅に向上した。
論文参考訳（メタデータ） (2024-03-04T11:23:40Z)
Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文参考訳（メタデータ） (2024-01-17T09:01:29Z)
Certifying Ensembles: A General Certification Theory with S-Lipschitzness [128.2881318211724]
組み立ては、一般化、不確実性推定、校正、コンセプトドリフトの効果の緩和に有用であることが示されている。本研究では、S-Lipschitz分類器を導入し、アンサンブルの理論的堅牢性を分析することにより、リプシッツ連続性を一般化する。
論文参考訳（メタデータ） (2023-04-25T17:50:45Z)
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)
Learning Sample Reweighting for Accuracy and Adversarial Robustness [15.591611864928659]
本稿では,クラス条件付きマージンの概念に基づいて,個々のトレーニングサンプルによる損失の軽減を学習する,新たな逆トレーニングフレームワークを提案する。我々の手法は、関連する手法や最先端のベースラインと比較して、クリーンかつ堅牢な精度を一貫して改善する。
論文参考訳（メタデータ） (2022-10-20T18:25:11Z)
Adversarial Vulnerability of Randomized Ensembles [12.082239973914326]
ランダム化アンサンブルは、通常のATモデルよりも、知覚不能な逆方向の摂動に対して脆弱であることを示す。本稿では,適応PGDが実現しなかった場合においても,ランダムアンサンブルを再現できる理論的・効率的な攻撃アルゴリズム(ARC)を提案する。
論文参考訳（メタデータ） (2022-06-14T10:37:58Z)
Learning and Certification under Instance-targeted Poisoning [49.55596073963654]
インスタンスターゲット中毒攻撃におけるPAC学習性と認証について検討する。敵の予算がサンプルの複雑さに比例してスケールすると、PACの学習性と認定が達成可能であることを示す。実データセット上でのK近傍, ロジスティック回帰, 多層パーセプトロン, 畳み込みニューラルネットワークの堅牢性を実証的に検討する。
論文参考訳（メタデータ） (2021-05-18T17:48:15Z)
Local Competition and Uncertainty for Adversarial Robustness in Deep Learning [6.4649419408439766]
この研究は、新しい学習理論を用いて、ディープ・ネットワークの敵対的堅牢性に対処しようとするものである。神経科学の結果に触発されて,逆行学習の手段として,局所的な競争原理を提案する。提案モデルでは,最先端のホワイトボックス攻撃を実現すると同時に,その良質な精度を高い精度で維持する。
論文参考訳（メタデータ） (2020-06-18T15:41:11Z)
Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-13T08:24:33Z)
Regularized Training and Tight Certification for Randomized Smoothed Classifier with Provable Robustness [15.38718018477333]
我々は新たな正規化リスクを導出し、正規化器はスムーズな手法の精度と堅牢性を適応的に促進することができる。また、正規化効果を利用して、高い確率で保持されるより厳密なロバスト性の下限を提供する新しい認証アルゴリズムを設計する。
論文参考訳（メタデータ） (2020-02-17T20:54:34Z)

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。