論文の概要: ECG-ATK-GAN: Robustness against Adversarial Attacks on ECG using
Conditional Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2110.09983v1
- Date: Sun, 17 Oct 2021 08:44:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 06:00:33.230294
- Title: ECG-ATK-GAN: Robustness against Adversarial Attacks on ECG using
Conditional Generative Adversarial Networks
- Title(参考訳): ECG-ATK-GAN:条件付き生成逆ネットワークを用いたECGの逆攻撃に対するロバスト性
- Authors: Khondker Fariha Hossain, Sharif Amit Kamran, Xingjun Ma, Alireza
Tavakkoli
- Abstract要約: ディープニューラルネットワーク(DNN)は、ECG信号を誤分類できる敵攻撃に対して脆弱である。
本稿では,敵の攻撃したECG信号に対して頑健な条件付き生成逆数ネットワーク(GAN)を提案する。
- 参考スコア(独自算出の注目度): 12.833916980261368
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recently deep learning has reached human-level performance in classifying
arrhythmia from Electrocardiogram (ECG). However, deep neural networks (DNN)
are vulnerable to adversarial attacks, which can misclassify ECG signals by
decreasing the model's precision. Adversarial attacks are crafted perturbations
injected in data that manifest the conventional DNN models to misclassify the
correct class. Thus, safety concerns arise as it becomes challenging to
establish the system's reliability, given that clinical applications require
high levels of trust. To mitigate this problem and make DNN models more robust
in clinical and real-life settings, we introduce a novel Conditional Generative
Adversarial Network (GAN), robust against adversarial attacked ECG signals and
retaining high accuracy. Furthermore, we compared it with other state-of-art
models to detect cardiac abnormalities from indistinguishable adversarial
attacked ECGs. The experiment confirms, our model is more robust against
adversarial attacks compared to other architectures.
- Abstract(参考訳): 近年,心電図(ECG)による不整脈の分類において,深層学習は人間レベルに到達している。
しかし、ディープニューラルネットワーク(DNN)は敵の攻撃に対して脆弱であり、モデルの精度を下げることでECG信号を誤分類することができる。
敵攻撃は、正しいクラスを誤分類するために従来のDNNモデルを示すデータに摂動を注入する。
したがって、臨床応用には高い信頼度が必要であるため、システムの信頼性を確立することが困難になる。
本稿では,この問題を緩和し,DNNモデルを臨床および実生活環境でより堅牢にするため,新しいコンディショナルジェネクティブ・アドバイザリアル・ネットワーク(GAN)を導入し,敵のECG信号に対して堅牢であり,高精度に維持する。
さらに,心電図から心臓異常を検出するため,他の最先端モデルと比較した。
実験によると、我々のモデルは、他のアーキテクチャと比較して敵攻撃に対してより堅牢である。
関連論文リスト
- FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳(メタデータ) (2024-01-18T12:47:13Z) - Mixture GAN For Modulation Classification Resiliency Against Adversarial
Attacks [55.92475932732775]
本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。
GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。
シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-29T22:30:32Z) - Defending Against Adversarial Attack in ECG Classification with
Adversarial Distillation Training [6.991425195643765]
クリニックでは、医師は心電図(ECG)を使って重症心疾患を評価する。
ディープニューラルネットワーク(DNN)は、高い精度でこれらの信号を解析することができる。
論文 参考訳(メタデータ) (2022-03-14T06:57:46Z) - Interpolated Joint Space Adversarial Training for Robust and
Generalizable Defenses [82.3052187788609]
敵の訓練(AT)は、敵の攻撃に対する最も信頼できる防御の1つと考えられている。
近年の研究では、新たな脅威モデルの下での対向サンプルによる一般化の改善が示されている。
我々は、JSTM(Joint Space Threat Model)と呼ばれる新しい脅威モデルを提案する。
JSTMでは,新たな敵攻撃・防衛手法が開発されている。
論文 参考訳(メタデータ) (2021-12-12T21:08:14Z) - A Regularization Method to Improve Adversarial Robustness of Neural
Networks for ECG Signal Classification [1.8579693774597703]
心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。
ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。
DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。
本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
論文 参考訳(メタデータ) (2021-10-19T06:22:02Z) - ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional
Generative Adversarial Networks [4.250203361580781]
ディープニューラルネットワークは、心電図信号を追跡するための一般的なテクニックとなり、人間の専門家より優れています。
GANアーキテクチャは、敵ECG信号を合成し、既存のトレーニングデータを増やすために近年研究されている。
本稿では,心電図信号を同時に生成し,心的異常を検出するための条件生成広告ネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T02:53:14Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳(メタデータ) (2020-12-02T15:30:21Z) - Enhance CNN Robustness Against Noises for Classification of 12-Lead ECG
with Variable Length [2.2977141788872366]
深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。
本研究では,可変長12リードECG信号の分類のためのCNNを設計した。
評価の結果, CPSC 2018 ECG分類課題の上位6項目に匹敵するF1スコアと平均精度を達成できた。
論文 参考訳(メタデータ) (2020-08-08T22:21:24Z) - Improve robustness of DNN for ECG signal classification:a
noise-to-signal ratio perspective [2.2977141788872366]
深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。
DNNは敵の攻撃に対して非常に脆弱である。
本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
論文 参考訳(メタデータ) (2020-05-18T23:37:33Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。