Fugu-MT 論文翻訳(概要): ATRAS: Adversarially Trained Robust Architecture Search

論文の概要: ATRAS: Adversarially Trained Robust Architecture Search

arxiv url: http://arxiv.org/abs/2106.06917v1
Date: Sun, 13 Jun 2021 05:00:01 GMT
ステータス: 処理完了
システム内更新日: 2021-06-17 14:18:27.560617
Title: ATRAS: Adversarially Trained Robust Architecture Search
Title（参考訳）: ATRAS: 対角的にトレーニングされたロバストアーキテクチャ検索
Authors: Yigit Alparslan, Edward Kim
Abstract要約: CIFAR-10とMNISTデータセットで異なるアーキテクチャでモデルをトレーニングする。各モデルごとに、レイヤの数とレイヤ内のノード数が異なるのです。本報告では, モデルに対するプレアタック, ポストアタック, 防御後精度, アーキテクチャパラメータ, 完全性の影響について報告する。
参考スコア（独自算出の注目度）: 7.23389716633927
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we explore the effect of architecture completeness on adversarial robustness. We train models with different architectures on CIFAR-10 and MNIST dataset. For each model, we vary different number of layers and different number of nodes in the layer. For every architecture candidate, we use Fast Gradient Sign Method (FGSM) to generate untargeted adversarial attacks and use adversarial training to defend against those attacks. For each architecture candidate, we report pre-attack, post-attack and post-defense accuracy for the model as well as the architecture parameters and the impact of completeness to the model accuracies.
Abstract（参考訳）: 本稿では,アーキテクチャ完全性が対向的ロバスト性に及ぼす影響について検討する。 CIFAR-10とMNISTデータセットで異なるアーキテクチャでモデルをトレーニングする。各モデルごとに、レイヤの数とレイヤ内のノード数が異なるのです。各アーキテクチャ候補に対して、FGSM(Fast Gradient Sign Method)を用いて、未目標の敵攻撃を発生させ、それらの攻撃を防御するために敵の訓練を使用する。各アーキテクチャ候補について, モデルに対する事前攻撃, 後攻撃, 防御後の精度, アーキテクチャパラメータ, モデル精度に対する完全性の影響を報告する。

関連論文リスト

One-for-All: Bridge the Gap Between Heterogeneous Architectures in Knowledge Distillation [69.65734716679925]
知識蒸留は,教師が指導する学習手法を通じて,モデル性能を向上させる上で,極めて効果的な手法であることが証明されている。既存の蒸留法のほとんどは、教師と生徒のモデルが同じモデルファミリーに属するという前提で設計されている。我々は, ヘテロジニアスアーキテクチャ間の蒸留性能を大幅に向上させる, OFA-KDという, 単純で効果的な一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元
論文参考訳（メタデータ） (2023-10-30T11:13:02Z)
Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
論文参考訳（メタデータ） (2023-10-19T13:13:41Z)
DepGraph: Towards Any Structural Pruning [68.40343338847664]
我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
論文参考訳（メタデータ） (2023-01-30T14:02:33Z)
Recent improvements of ASR models in the face of adversarial attacks [28.934863462633636]
音声認識モデルは敵攻撃に対して脆弱である。異なる攻撃アルゴリズムの相対的強度は、モデルアーキテクチャを変更する際に大きく異なることを示す。ソースコードをパッケージとしてリリースし、将来の攻撃と防御の評価に役立ちます。
論文参考訳（メタデータ） (2022-03-29T22:40:37Z)
Federated Learning with Heterogeneous Architectures using Graph HyperNetworks [154.60662664160333]
パラメータ共有にグラフハイパーネットワークを採用することにより、異種クライアントアーキテクチャに対応する新しいFLフレームワークを提案する。既存のソリューションとは異なり、当社のフレームワークは、クライアントが同じアーキテクチャタイプを共有することを制限せず、外部データも使用せず、クライアントがモデルアーキテクチャを公開する必要もありません。
論文参考訳（メタデータ） (2022-01-20T21:36:25Z)
Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文参考訳（メタデータ） (2021-05-31T17:01:05Z)
Multi-objective Search of Robust Neural Architectures against Multiple Types of Adversarial Attacks [18.681859032630374]
深層学習モデルは、人間には受け入れられない敵の例に弱い。機械学習モデルがどのタイプの攻撃に苦しむかを事前に予測することは事実上不可能である。本稿では,多目的進化アルゴリズムを用いた5種類の既知の敵攻撃に対して頑健な深層ニューラルネットワークの探索を提案する。
論文参考訳（メタデータ） (2021-01-16T19:38:16Z)
Adversarially Robust Neural Architectures [43.74185132684662]
本稿では,NASフレームワークを用いたアーキテクチャの観点から,ネットワークの対角的ロバスト性を改善することを目的とする。本稿では, 対向ロバスト性, リプシッツ定数, アーキテクチャパラメータの関係について検討する。提案アルゴリズムは,異なるデータセットに対する様々な攻撃の下で,すべてのモデルの中で最高の性能を実証的に達成する。
論文参考訳（メタデータ） (2020-09-02T08:52:15Z)
Systematic Attack Surface Reduction For Deployed Sentiment Analysis Models [0.0]
この研究は、モデルをベースライン化し、攻撃ベクトルを特定し、デプロイ後の機械学習モデルを保護するための構造化されたアプローチを提案する。ブラックボックス感性分析システムにおいて,BADアーキテクチャを評価し,その逆のライフサイクルを定量的に評価する。目標は、本番環境で機械学習モデルを確保するための実行可能な方法論を実証することである。
論文参考訳（メタデータ） (2020-06-19T13:41:38Z)
Disturbance-immune Weight Sharing for Neural Architecture Search [96.93812980299428]
本稿では,モデル更新のための乱れ免疫更新戦略を提案する。我々は,パフォーマンス障害リスクを軽減するための戦略の有効性を理論的に分析する。
論文参考訳（メタデータ） (2020-03-29T17:54:49Z)
Architectural Resilience to Foreground-and-Background Adversarial Noise [0.0]
正常な画像の知覚不能な摂動の形でのアドリサイドアタックが広く研究されている。本稿では,異なるネットワークアーキテクチャのレジリエンスとロバスト性を検討するために,画像の異なるモデルに依存しないベンチマーク摂動を提案する。
論文参考訳（メタデータ） (2020-03-23T01:38:20Z)

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。