論文の概要: Query-Efficient Adversarial Attack Based on Latin Hypercube Sampling

• arxiv url: http://arxiv.org/abs/2207.02391v1
• Date: Tue, 5 Jul 2022 12:04:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 12:16:41.686378
• Title: Query-Efficient Adversarial Attack Based on Latin Hypercube Sampling
• Title（参考訳）: ラテンハイパーキューブサンプリングに基づくクエリ効率の高い逆攻撃
• Authors: Dan Wang, Jiayu Lin, and Yuan-Gen Wang
• Abstract要約: 本稿では,ラテンハイパーキューブサンプリングに基づく境界攻撃(LHS-BA)を提案する。 提案手法は, クエリ効率の観点から, 最先端のBA法よりもLHS-BAの方が優れていることを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 6.141497251925968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to be applicable in real-world scenario, Boundary Attacks (BAs) were proposed and ensured one hundred percent attack success rate with only decision information. However, existing BA methods craft adversarial examples by leveraging a simple random sampling (SRS) to estimate the gradient, consuming a large number of model queries. To overcome the drawback of SRS, this paper proposes a Latin Hypercube Sampling based Boundary Attack (LHS-BA) to save query budget. Compared with SRS, LHS has better uniformity under the same limited number of random samples. Therefore, the average on these random samples is closer to the true gradient than that estimated by SRS. Various experiments are conducted on benchmark datasets including MNIST, CIFAR, and ImageNet-1K. Experimental results demonstrate the superiority of the proposed LHS-BA over the state-of-the-art BA methods in terms of query efficiency. The source codes are publicly available at https://github.com/GZHU-DVL/LHS-BA.
• Abstract（参考訳）: 実世界のシナリオに適用するために境界攻撃(bas)が提案され、決定情報だけで100パーセントの攻撃成功率を保証した。 しかし、既存のBA手法は、単純なランダムサンプリング(SRS)を利用して勾配を推定し、多数のモデルクエリを消費することで、逆例を作成する。 本稿では,srsの欠点を克服するために,ラテン系ハイパーキューブサンプリングベース境界攻撃(lhs-ba)を提案する。 SRSと比較すると、LHSは同じ数のランダムサンプルでより均一性が高い。 したがって、これらのランダムサンプルの平均は、SRSの推定値よりも真の勾配に近い。 MNIST、CIFAR、ImageNet-1Kなどのベンチマークデータセットで様々な実験が行われた。 提案手法は, クエリ効率の観点から, 最先端のBA法よりもLHS-BAの方が優れていることを示す実験結果を得た。 ソースコードはhttps://github.com/GZHU-DVL/LHS-BAで公開されている。

関連論文リスト

• iBRF: Improved Balanced Random Forest Classifier [0.0]
  クラス不均衡は、異なる分類タスクにおいて大きな課題となる。 本稿では,予測性能を高めるために,バランスドランダムフォレスト(BRF)分類器の修正を提案する。 筆者らが提案するハイブリッドサンプリング手法は,ランダムフォレスト分類器のフレームワークに組み込むと,不均衡な分類タスクに使用される他のサンプリング手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2024-03-14T20:59:36Z)
• Soft Random Sampling: A Theoretical and Empirical Analysis [59.719035355483875]
  ソフトランダムサンプリング(SRS)は、大量のデータを扱う際に、効率的なディープニューラルネットワークに対して単純だが効果的なアプローチである。 それは、各エポックに設定された各データセットから、ランダムに置換された均一な速度を選択する。 実世界の産業規模で重要な競争力を持つ、強力で競争力のある戦略であることが示されている。
  論文  参考訳（メタデータ） (2023-11-21T17:03:21Z)
• Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
  拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。 本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。 提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
  論文  参考訳（メタデータ） (2023-05-24T17:09:54Z)
• A Novel Hybrid Sampling Framework for Imbalanced Learning [0.0]
  SMOTE-RUS-NC」は他の最先端サンプリング技術と比較されている。 26個の不均衡なデータセットで厳密な実験が行われた。
  論文  参考訳（メタデータ） (2022-08-20T07:04:00Z)
• Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
  本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。 既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。 経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T03:49:04Z)
• Markov subsampling based Huber Criterion [13.04847430878172]
  サブサンプリングは、ビッグデータによってもたらされる計算課題に対処するための重要なテクニックである。 我々は,ハマー基準(HMS)に基づく新しいマルコフサブサンプリング戦略を設計し,ノイズの多い全データから情報的サブセットを構築する。 HMSはメトロポリス・ハスティング(Metropolis-Hasting)手順に基づいて構築され、各サンプリングユニットの包含確率が決定される。 軽度条件下では,HMSが選択したサブサンプルに基づく推定器は,ガウス下偏差境界と統計的に一致していることを示す。
  論文  参考訳（メタデータ） (2021-12-12T03:11:23Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)
• Improved, Deterministic Smoothing for L1 Certified Robustness [119.86676998327864]
  分割雑音を伴う非加法的決定論的平滑化法(dssn)を提案する。 一様加法平滑化とは対照的に、ssn認証は無作為なノイズコンポーネントを独立に必要としない。 これは、規範ベースの敵対的脅威モデルに対して決定論的「ランダム化平滑化」を提供する最初の仕事である。
  論文  参考訳（メタデータ） (2021-03-17T21:49:53Z)
• Sequential Density Ratio Estimation for Simultaneous Optimization of Speed and Accuracy [11.470070927586017]
  本稿では,この2つの障害を克服する深層ニューラルネットワークに基づくSPRTアルゴリズムであるSPRT-TANDEMを提案する。 1つのオリジナルと2つの公開ビデオデータベースでのテストでは、SPRT-TANDEMは他のベースラインよりも統計的にかなり優れた分類精度を達成する。
  論文  参考訳（メタデータ） (2020-06-10T01:05:00Z)
• Thompson Sampling Algorithms for Mean-Variance Bandits [97.43678751629189]
  我々は平均分散MABのためのトンプソンサンプリング型アルゴリズムを開発した。 我々はまた、ガウシアンとベルヌーイの盗賊に対する包括的後悔の分析も提供する。 我々のアルゴリズムは、全てのリスク許容度に対して既存のLCBベースのアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2020-02-01T15:33:50Z)

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。