論文の概要: Adversarial Attack for Asynchronous Event-based Data

• arxiv url: http://arxiv.org/abs/2112.13534v1
• Date: Mon, 27 Dec 2021 06:23:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 14:46:25.612314
• Title: Adversarial Attack for Asynchronous Event-based Data
• Title（参考訳）: 非同期イベントベースデータの逆攻撃
• Authors: Wooju Lee and Hyun Myung
• Abstract要約: 逆の例を生成して、初めてイベントベースのデータの堅牢なモデルをトレーニングします。 提案アルゴリズムは,N-Caltech101データセット上で97.95%の攻撃成功率を達成する。
• 参考スコア（独自算出の注目度）: 0.19580473532948398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) are vulnerable to adversarial examples that are carefully designed to cause the deep learning model to make mistakes. Adversarial examples of 2D images and 3D point clouds have been extensively studied, but studies on event-based data are limited. Event-based data can be an alternative to a 2D image under high-speed movements, such as autonomous driving. However, the given adversarial events make the current deep learning model vulnerable to safety issues. In this work, we generate adversarial examples and then train the robust models for event-based data, for the first time. Our algorithm shifts the time of the original events and generates additional adversarial events. Additional adversarial events are generated in two stages. First, null events are added to the event-based data to generate additional adversarial events. The perturbation size can be controlled with the number of null events. Second, the location and time of additional adversarial events are set to mislead DNNs in a gradient-based attack. Our algorithm achieves an attack success rate of 97.95\% on the N-Caltech101 dataset. Furthermore, the adversarial training model improves robustness on the adversarial event data compared to the original model.
• Abstract（参考訳）: 深層ニューラルネットワーク(dnn)は、ディープラーニングモデルに誤りをもたらすよう慎重に設計されている敵の例に対して脆弱である。 2次元画像と3次元点雲の逆例は広く研究されているが、事象に基づくデータの研究は限られている。 イベントベースのデータは、自律運転などの高速動作下での2D画像の代替となる。 しかし、特定の敵のイベントによって、現在のディープラーニングモデルは安全性の問題に対して脆弱になる。 この作業では、逆の例を生成し、イベントベースのデータの堅牢なモデルを初めてトレーニングします。 アルゴリズムは元のイベントの時刻をシフトし、さらに逆のイベントを生成する。 追加の反対イベントは2段階に分けて発生する。 まず、nullイベントがイベントベースのデータに追加され、追加の敵イベントが生成される。 摂動サイズはnullイベントの数で制御できる。 次に、追加の敵イベントの位置と時刻が、勾配に基づく攻撃でDNNを誤解させるように設定される。 N-Caltech101データセットの攻撃成功率は97.95 %である。 さらに、敵意トレーニングモデルでは、敵意イベントデータのロバスト性が元のモデルと比較して向上する。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• Masked Event Modeling: Self-Supervised Pretraining for Event Cameras [41.263606382601886]
  Masked Event Modeling (MEM) はイベントの自己組織化フレームワークである。 MEMは、記録されていないイベントのニューラルネットワークを事前トレーニングする。 本手法は3つのデータセットにまたがって最先端の分類精度に達する。
  論文  参考訳（メタデータ） (2022-12-20T15:49:56Z)
• Event Data Association via Robust Model Fitting for Event-based Object Tracking [66.05728523166755]
  本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。 提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。 実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-25T13:56:00Z)
• EventDrop: data augmentation for event-based learning [0.3670422696827526]
  EventDropは、ディープモデルの一般化を改善するために非同期イベントデータを拡張するための新しい方法である。 現実的には、EventDropは実装が簡単で、計算コストも低い。
  論文  参考訳（メタデータ） (2021-06-07T11:53:14Z)
• Conditional Generation of Temporally-ordered Event Sequences [29.44608199294757]
  本稿では,イベントシーケンスの時間性だけでなく,イベント共起を捉えることができる条件生成モデルを提案する。 この単一モデルは、時間的順序付け、与えられたイベント列をそれらが発生した順序にソートすること、イベントを埋め込むことの両方に対処でき、既存のイベントの時間的順序付けシーケンスに適合する新しいイベントを予測できる。
  論文  参考訳（メタデータ） (2020-12-31T18:10:18Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。