Fugu-MT 論文翻訳(概要): Machine Beats Machine: Machine Learning Models to Defend Against Adversarial Attacks

論文の概要: Machine Beats Machine: Machine Learning Models to Defend Against Adversarial Attacks

arxiv url: http://arxiv.org/abs/2209.13963v1
Date: Wed, 28 Sep 2022 09:47:34 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 16:12:08.318374
Title: Machine Beats Machine: Machine Learning Models to Defend Against Adversarial Attacks
Title（参考訳）: machine beats machine: 敵の攻撃から守るための機械学習モデル
Authors: Jo\v{z}e M. Ro\v{z}anec and Dimitrios Papamartzivanos and Entso Veliou and Theodora Anastasiou and Jelle Keizer and Bla\v{z} Fortuna and Dunja Mladeni\'c
Abstract要約: 敵攻撃を防止するために,機械学習モデルの2層展開を提案する。第1のレイヤはデータが改ざんされたかどうかを判断し、第2のレイヤはドメイン固有の問題を解決する。
参考スコア（独自算出の注目度）: 0.415623340386296
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose using a two-layered deployment of machine learning models to prevent adversarial attacks. The first layer determines whether the data was tampered, while the second layer solves a domain-specific problem. We explore three sets of features and three dataset variations to train machine learning models. Our results show clustering algorithms achieved promising results. In particular, we consider the best results were obtained by applying the DBSCAN algorithm to the structured structural similarity index measure computed between the images and a white reference image.
Abstract（参考訳）: 敵攻撃を防止するために,機械学習モデルの2層展開を提案する。第1のレイヤはデータが改ざんされたかどうかを判断し、第2のレイヤはドメイン固有の問題を解決する。機械学習モデルをトレーニングするために、3つの機能セットと3つのデータセットのバリエーションを調べます。その結果,クラスタリングアルゴリズムは有望な結果を得た。特に,画像と白色参照画像の間で計算された構造的類似度指標にDBSCANアルゴリズムを適用することにより,最もよい結果を得たと考える。

関連論文リスト

Adversarial Machine Unlearning [26.809123658470693]
本稿では,機械学習モデルに対する特定のトレーニングデータの影響を取り除くことを目的とした,機械学習の課題に焦点を当てた。伝統的に、未学習アルゴリズムの開発は、ある種のプライバシー脅威である会員推論攻撃(MIA)と並行して実行される。未学習アルゴリズムの設計にMIAを統合するゲーム理論フレームワークを提案する。
論文参考訳（メタデータ） (2024-06-11T20:07:22Z)
From Structured to Unstructured:A Comparative Analysis of Computer Vision and Graph Models in solving Mesh-based PDEs [1.49199020343864]
本稿では,メッシュに基づく偏微分方程式の解法におけるコンピュータビジョンとグラフベースモデルの適用について検討する。この研究は、3つのコンピュータビジョンベースモデルの性能と計算効率を、3つのデータセットにわたる3つのグラフベースモデルと比較した。
論文参考訳（メタデータ） (2024-05-31T12:21:26Z)
RoCNet: 3D Robust Registration of Point-Clouds using Deep Learning [5.494111035517598]
本稿では,ディープラーニングに基づく3Dポイントクラウド登録手法を提案する。我々はModelNet40データセットで実験を行い、提案したアーキテクチャは非常に有望な結果を示した。
論文参考訳（メタデータ） (2023-03-14T15:07:51Z)
ModelDiff: A Framework for Comparing Learning Algorithms [86.19580801269036]
そこでは,2つの異なる学習アルゴリズムを用いて学習したモデルの違いを見つけることを目的とする。トレーニングデータの使用方法に基づいて学習アルゴリズムを比較するために,データモデルフレームワークを利用するModelDiffを提案する。
論文参考訳（メタデータ） (2022-11-22T18:56:52Z)
3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文参考訳（メタデータ） (2022-11-01T20:59:38Z)
Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文参考訳（メタデータ） (2022-09-27T14:19:00Z)
Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection [0.0]
データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。提案手法は二進分類と多進分類の両方で評価される。
論文参考訳（メタデータ） (2022-05-08T21:06:42Z)
The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
論文参考訳（メタデータ） (2022-04-04T14:09:58Z)
Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
論文参考訳（メタデータ） (2021-07-24T15:36:49Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
Adversarial Machine Learning in Network Intrusion Detection Systems [6.18778092044887]
ネットワーク侵入検知システムにおける逆問題の性質について検討する。進化的計算(粒子群最適化と遺伝的アルゴリズム)と深層学習(生成的敵ネットワーク)を、敵対的サンプル生成のためのツールとして利用する。我々の研究は、敵の摂動に直面した機械学習ベースのNIDSの脆弱性を強調している。
論文参考訳（メタデータ） (2020-04-23T19:47:43Z)

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。