Fugu-MT 論文翻訳(概要): Improving Deep Learning Model Robustness Against Adversarial Attack by Increasing the Network Capacity

論文の概要: Improving Deep Learning Model Robustness Against Adversarial Attack by Increasing the Network Capacity

arxiv url: http://arxiv.org/abs/2204.11357v1
Date: Sun, 24 Apr 2022 21:04:17 GMT
ステータス: 処理完了
システム内更新日: 2022-04-26 23:23:03.505780
Title: Improving Deep Learning Model Robustness Against Adversarial Attack by Increasing the Network Capacity
Title（参考訳）: ネットワーク能力の向上による敵攻撃に対する深層学習モデルロバストネスの改善
Authors: Marco Marchetti and Edmond S. L. Ho
Abstract要約: 本稿では、ディープラーニングにおけるセキュリティ問題と分析について、実験を用いて、よりレジリエントなモデルの構築に向けて検討する。敵攻撃に対するDLモデルの堅牢性を改善するために,新たなアプローチの強みと弱みを識別する実験を行った。
参考スコア（独自算出の注目度）: 4.605037293860087
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, we are more and more reliant on Deep Learning (DL) models and thus it is essential to safeguard the security of these systems. This paper explores the security issues in Deep Learning and analyses, through the use of experiments, the way forward to build more resilient models. Experiments are conducted to identify the strengths and weaknesses of a new approach to improve the robustness of DL models against adversarial attacks. The results show improvements and new ideas that can be used as recommendations for researchers and practitioners to create increasingly better DL algorithms.
Abstract（参考訳）: 現在、私たちはますますディープラーニング(dl)モデルに依存しているため、これらのシステムのセキュリティを保護することが不可欠です。本稿では,よりレジリエントなモデルの構築に向けて,実験を通じて,深層学習と分析におけるセキュリティ問題を検討する。敵攻撃に対するDLモデルの堅牢性を改善するために,新たなアプローチの強みと弱みを識別する実験を行った。結果は、より優れたDLアルゴリズムを作成するために研究者や実践者が推奨できる改善と新しいアイデアを示している。

関連論文リスト

Towards Robust Knowledge Unlearning: An Adversarial Framework for Assessing and Improving Unlearning Robustness in Large Language Models [19.015202590038996]
我々は、未学習モデルを攻撃する動的かつ自動化されたフレームワークであるDynamic Unlearning Attack (DUA)を設計する。学習過程の堅牢性を効果的に向上する普遍的な枠組みであるLatent Adrial Unlearning (LAU)を提案する。 LAUは学習効率を53.5%以上改善し、近隣の知識の11.6%以下に減らし、モデルの一般的な能力にはほとんど影響を与えないことを示した。
論文参考訳（メタデータ） (2024-08-20T09:36:04Z)
Robust Image Classification: Defensive Strategies against FGSM and PGD Adversarial Attacks [0.0]
敵対的攻撃は、画像分類におけるディープラーニングモデルの堅牢性に重大な脅威をもたらす。本稿では,ニューラルネットワークのレジリエンスを高めるために,これらの攻撃に対する防御機構を探索し,洗練する。
論文参考訳（メタデータ） (2024-08-20T02:00:02Z)
Impact of Architectural Modifications on Deep Learning Adversarial Robustness [16.991522358940774]
本稿では, モデル修正がディープラーニングモデルの堅牢性に及ぼす影響を, 敵攻撃を用いて実験的に評価する。以上の結果から,モデル変更がモデルの頑健性に及ぼす影響を詳細に評価する上でのプレッシャーが示唆された。
論文参考訳（メタデータ） (2024-05-03T08:58:38Z)
PGN: A perturbation generation network against deep reinforcement learning [8.546103661706391]
エージェントを攻撃するための効果的な敵例を作成するための新しい生成モデルを提案する。深層強化学習の特異性を考慮して,ステルスネスの尺度として行動整合性比を提案する。
論文参考訳（メタデータ） (2023-12-20T10:40:41Z)
DST: Dynamic Substitute Training for Data-free Black-box Attack [79.61601742693713]
そこで本研究では,対象モデルからより高速に学習するための代用モデルの促進を目的とした,新しい動的代用トレーニング攻撃手法を提案する。タスク駆動型グラフに基づく構造情報学習の制約を導入し、生成したトレーニングデータの質を向上させる。
論文参考訳（メタデータ） (2022-04-03T02:29:11Z)
Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T19:57:19Z)
Holistic Adversarial Robustness of Deep Learning Models [91.34155889052786]
敵対的堅牢性は、安全性と信頼性を確保するために、機械学習モデルの最悪のケースパフォーマンスを研究する。本稿では,深層学習モデルの対角的ロバスト性に関する研究課題の概要と研究手法の基礎原則について概説する。
論文参考訳（メタデータ） (2022-02-15T05:30:27Z)
Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-10-13T13:54:24Z)
Adversarial Robustness of Deep Learning: Theory, Algorithms, and Applications [27.033174829788404]
本チュートリアルは,ディープラーニングの敵対的堅牢性の基礎を紹介することを目的としている。我々は、ディープニューラルネットワーク(DNN)の敵攻撃と堅牢性検証における最先端技術を強調します。深層学習モデルの堅牢性を改善するための効果的な対策も導入する。
論文参考訳（メタデータ） (2021-08-24T00:08:33Z)
RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文参考訳（メタデータ） (2021-07-07T15:42:49Z)
Improved Adversarial Training via Learned Optimizer [101.38877975769198]
対戦型トレーニングモデルの堅牢性を改善するための枠組みを提案する。共学習のパラメータモデルの重み付けにより、提案するフレームワークは、更新方向に対するロバスト性とステップの適応性を一貫して改善する。
論文参考訳（メタデータ） (2020-04-25T20:15:53Z)

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。