Fugu-MT 論文翻訳(概要): Robust Boosting Forests with Richer Deep Feature Hierarchy

論文の概要: Robust Boosting Forests with Richer Deep Feature Hierarchy

arxiv url: http://arxiv.org/abs/2210.16451v1
Date: Sat, 29 Oct 2022 00:40:17 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 16:32:30.646822
Title: Robust Boosting Forests with Richer Deep Feature Hierarchy
Title（参考訳）: より深い特徴階層を持つロバストブースティング森林
Authors: Jianqiao Wangni
Abstract要約: 本稿では,様々な対角防御手法に頑健な森林増生法を提案し,それを深層ニューラルネットワークの堅牢性を高めるために応用する。各決定木を訓練するために,純粋ゲイン関数よりも誤判定が少ないことを考慮し,保守的で欲求的なトレードオフを提案する。顔のランドマークデータを用いた保守的緑化促進林 (CGBF) は, 敵対的攻撃下での純粋な深層学習法よりも大幅に改善した。
参考スコア（独自算出の注目度）: 4.644923443649425
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a robust variant of boosting forest to the various adversarial defense methods, and apply it to enhance the robustness of the deep neural network. We retain the deep network architecture, weights, and middle layer features, then install gradient boosting forest to select the features from each layer of the deep network, and predict the target. For training each decision tree, we propose a novel conservative and greedy trade-off, with consideration for less misprediction instead of pure gain functions, therefore being suboptimal and conservative. We actively increase tree depth to remedy the accuracy with splits in more features, being more greedy in growing tree depth. We propose a new task on 3D face model, whose robustness has not been carefully studied, despite the great security and privacy concerns related to face analytics. We tried a simple attack method on a pure convolutional neural network (CNN) face shape estimator, making it degenerate to only output average face shape with invisible perturbation. Our conservative-greedy boosting forest (CGBF) on face landmark datasets showed a great improvement over original pure deep learning methods under the adversarial attacks.
Abstract（参考訳）: 本稿では,様々な対角防御手法に頑健な森林増生法を提案し,それを深層ニューラルネットワークの堅牢性を高めるために応用する。我々は、ディープ・ネットワーク・アーキテクチャ、重み、中間層の特徴を保ち、そして、ディープ・ネットワークの各層から特徴を選定し、ターゲットを予測するために勾配強化林を設置する。各決定木を訓練するために,純粋ゲイン関数ではなく,より少ない誤予測を考慮して,新しい保守的かつ欲望的なトレードオフを提案する。我々は,樹木の深さを増加させ,細分化による精度の改善を積極的に行ない,樹木の深さを増大させる。顔分析に関するセキュリティやプライバシに関する大きな懸念にもかかわらず,堅牢性は慎重に研究されていない3d顔モデルに関する新たなタスクを提案する。我々は、純粋な畳み込みニューラルネットワーク(CNN)の顔形状推定器において、単純な攻撃法を試みた。顔のランドマークデータセット上での我々の保守的欲求増強林(CGBF)は、敵対的攻撃による純粋な深層学習法よりも大幅に改善された。

関連論文リスト

DeepBaR: Fault Backdoor Attack on Deep Neural Network Layers [0.0]
私たちは、ニューラルネットワークにバックドアを埋め込む新しいアプローチであるDeepBaRを紹介します。私たちは3つの一般的な畳み込みニューラルネットワークアーキテクチャを攻撃し、DeepBaR攻撃が最大98.30%の成功率を示す。
論文参考訳（メタデータ） (2024-07-30T22:14:47Z)
Tailoring Adversarial Attacks on Deep Neural Networks for Targeted Class Manipulation Using DeepFool Algorithm [6.515472477685614]
敵対的攻撃に対するディープニューラルネットワーク(DNN)の感受性は、多くのアプリケーションにまたがる信頼性を損なう。本稿では,DeepFoolの進化であるET DeepFoolアルゴリズムを紹介する。我々の実証的研究は、画像の整合性を維持する上で、この洗練されたアプローチが優れていることを示すものである。
論文参考訳（メタデータ） (2023-10-18T18:50:39Z)
ForensicsForest Family: A Series of Multi-scale Hierarchical Cascade Forests for Detecting GAN-generated Faces [53.739014757621376]
我々は,GAN生成顔を検出するために,EmforensicsForest Familyと呼ばれる簡易かつ効果的な森林法について述べる。 ForenscisForestは、新しく提案された多層階層のカスケード林である。 Hybrid ForensicsForestはCNNレイヤをモデルに統合する。 Divide-and-Conquer ForensicsForestは、トレーニングサンプリングの一部のみを使用して、森林モデルを構築することができる。
論文参考訳（メタデータ） (2023-08-02T06:41:19Z)
Understanding Adversarial Robustness from Feature Maps of Convolutional Layers [23.42376264664302]
ニューラルネットワークの摂動能力は、主にモデル容量と摂動能力の2つの要因に依存している。畳み込み層の特徴マップからネットワークの摂動防止能力について検討する。自然な精度と敵の堅牢性の両面での非自明な改善は、様々な攻撃・防御機構の下で達成できる。
論文参考訳（メタデータ） (2022-02-25T00:14:59Z)
Proxy Convexity: A Unified Framework for the Analysis of Neural Networks Trained by Gradient Descent [95.94432031144716]
学習ネットワークの分析のための統合された非最適化フレームワークを提案する。既存の保証は勾配降下により統一することができることを示す。
論文参考訳（メタデータ） (2021-06-25T17:45:00Z)
PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
論文参考訳（メタデータ） (2021-03-12T15:54:46Z)
Improving Neural Network Robustness through Neighborhood Preserving Layers [0.751016548830037]
このような層を組み込むことができ、効率的にトレーニングできる新しいニューラルネットワークアーキテクチャを実証する。我々は、設計したネットワークアーキテクチャが、最先端の勾配に基づく攻撃に対してより堅牢であることを実証的に示す。
論文参考訳（メタデータ） (2021-01-28T01:26:35Z)
Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文参考訳（メタデータ） (2020-12-29T18:05:05Z)
SelfDeco: Self-Supervised Monocular Depth Completion in Challenging Indoor Environments [50.761917113239996]
自己教師付き単分子深度補完のための新しいアルゴリズムを提案する。提案手法は,深度ラベルを含まない疎深度測定とそれに対応する単眼ビデオシーケンスのみを必要とするニューラルネットワークのトレーニングに基づく。我々の自己監督アルゴリズムは、テクスチャのない領域、光沢のない透明な表面、非ランバートの表面、動く人々、より長く多様な深度範囲、複雑なエゴモーションによって捉えられたシーンを含む屋内環境に挑戦するために設計されている。
論文参考訳（メタデータ） (2020-11-10T08:55:07Z)
Joint Multi-Dimension Pruning via Numerical Gradient Update [120.59697866489668]
本稿では,空間,深さ,チャネルの3つの重要な側面において,ネットワークを同時に切断する方法であるジョイント・マルチディメンジョン・プルーニング(ジョイント・プルーニング)を提案する。本手法は,1つのエンドツーエンドトレーニングにおいて3次元にわたって協調的に最適化され,従来よりも効率がよいことを示す。
論文参考訳（メタデータ） (2020-05-18T17:57:09Z)

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。