論文の概要: Pareto Adversarial Robustness: Balancing Spatial Robustness and Sensitivity-based Robustness

• arxiv url: http://arxiv.org/abs/2111.01996v1
• Date: Wed, 3 Nov 2021 03:28:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:42:41.928972
• Title: Pareto Adversarial Robustness: Balancing Spatial Robustness and Sensitivity-based Robustness
• Title（参考訳）: Pareto Adversarial Robustness: 空間的ロバストネスと感性に基づくロバストネスのバランス
• Authors: Ke Sun, Mingjie Li, Zhouchen Lin
• Abstract要約: textitPareto Adversarial Trainingと呼ばれる新しい戦略を提案する。 我々の知識を最大限に活用するために、我々は多目的最適化による普遍的対向ロバスト性を考える最初の人物である。
• 参考スコア（独自算出の注目度）: 70.99928857949644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial robustness, which mainly contains sensitivity-based robustness and spatial robustness, plays an integral part in the robust generalization. In this paper, we endeavor to design strategies to achieve universal adversarial robustness. To hit this target, we firstly investigate the less-studied spatial robustness and then integrate existing spatial robustness methods by incorporating both local and global spatial vulnerability into one spatial attack and adversarial training. Based on this exploration, we further present a comprehensive relationship between natural accuracy, sensitivity-based and different spatial robustness, supported by the strong evidence from the perspective of robust representation. More importantly, in order to balance these mutual impacts of different robustness into one unified framework, we incorporate \textit{Pareto criterion} into the adversarial robustness analysis, yielding a novel strategy called \textit{Pareto Adversarial Training} towards universal robustness. The resulting Pareto front, the set of optimal solutions, provides the set of optimal balance among natural accuracy and different adversarial robustness, shedding light on solutions towards universal robustness in the future. To the best of our knowledge, we are the first to consider the universal adversarial robustness via multi-objective optimization.
• Abstract（参考訳）: 相対ロバスト性は主に感度に基づくロバスト性と空間ロバスト性を含み、ロバスト一般化において重要な役割を果たす。 本稿では,普遍的対角強靭性を実現するための戦略設計に尽力する。 この目標を達成するために,まず,学習不足の空間的ロバストネスを調査し,既存の空間的ロバストネス手法を,局所的および大域的空間的脆弱性を1つの空間攻撃と敵対的訓練に組み込むことにより統合する。 本研究は,強固な表現の観点からの強固な証拠によって支持される,自然の正確性,感度,空間的ロバスト性との包括的関係を示す。 さらに, 異なるロバスト性の相互影響を一つの統一的枠組みにバランスさせるため, 対角的ロバストネス解析に \textit{Pareto criterion} を組み込むことで, 普遍的ロバストネスに対する新戦略である \textit{Pareto criterion} を導出する。 結果として得られる最適解の集合であるパレートフロントは、自然の精度と異なる対向ロバスト性の間の最適均衡のセットを提供し、将来の普遍ロバスト性への解に光を当てる。 我々の知識を最大限に活用するために、我々は多目的最適化による普遍的対角ロバスト性を考える。

関連論文リスト

• Exploring the Adversarial Frontier: Quantifying Robustness via Adversarial Hypervolume [17.198794644483026]
  本稿では,様々な摂動強度に対して総合的に深層学習モデルの頑健性を評価するための,対向超体積と呼ばれる新しい計量法を提案する。 我々は,様々な摂動強度の対向的堅牢性を均一に向上する新しいトレーニングアルゴリズムを採用する。 本研究はロバスト性の新しい尺度に寄与し、敵の脅威に対するベンチマーク評価と、現在および将来の防御モデルのレジリエンスの基準を確立する。
  論文  参考訳（メタデータ） (2024-03-08T07:03:18Z)
• On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
  アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。 我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
  論文  参考訳（メタデータ） (2023-04-19T11:07:43Z)
• How many perturbations break this model? Evaluating robustness beyond adversarial accuracy [28.934863462633636]
  入力点と摂動方向の制約の両方が与えられた摂動を成功させることがいかに困難であるかを定量化する。 空間性は、ニューラルネットワークに関する貴重な洞察を、複数の方法で提供することを示す。
  論文  参考訳（メタデータ） (2022-07-08T21:25:17Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• Balancing Robustness and Sensitivity using Feature Contrastive Learning [95.86909855412601]
  堅牢性を促進する方法は、希少なパターンや表現不足パターンに対するモデルの感受性を損なう可能性がある。 本稿では,より高次文脈的有用性を持つ機能に対して,モデルにより敏感な特徴を与える機能コントラスト学習(FCL)を提案する。
  論文  参考訳（メタデータ） (2021-05-19T20:53:02Z)
• Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
  敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。 本研究では,長尾分布下における敵対的脆弱性と防御について検討する。 我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
  論文  参考訳（メタデータ） (2021-04-06T17:53:08Z)
• Improving Ensemble Robustness by Collaboratively Promoting and Demoting Adversarial Robustness [19.8818435601131]
  アンサンブルベースの敵の訓練は、敵の攻撃に対する堅牢性を達成するための原則的アプローチである。 本研究では,アンサンブルモデルの委員会モデル間で協調する,シンプルかつ効果的な戦略を提案する。 提案する枠組みは, 対向移動可能性の低減と, アンサンブルメンバーの多様性の促進に資する。
  論文  参考訳（メタデータ） (2020-09-21T04:54:38Z)
• A general framework for defining and optimizing robustness [74.67016173858497]
  分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。 我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。 我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-19T13:24:20Z)

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。

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。