Fugu-MT 論文翻訳(概要): An Adversarial Robustness Perspective on the Topology of Neural Networks

論文の概要: An Adversarial Robustness Perspective on the Topology of Neural Networks

arxiv url: http://arxiv.org/abs/2211.02675v1
Date: Fri, 4 Nov 2022 18:00:53 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 16:26:26.750492
Title: An Adversarial Robustness Perspective on the Topology of Neural Networks
Title（参考訳）: ニューラルネットワークのトポロジーに関する敵対的ロバストネスの視点
Authors: Morgane Goibert, Thomas Ricatte, Elvis Dohmatob
Abstract要約: ニューラルネットワーク(NN)トポロジが敵の強靭性に与える影響について検討する。クリーンな入力からのグラフはハイウェイエッジを中心により集中しているのに対して、敵からのグラフはより拡散している。
参考スコア（独自算出の注目度）: 12.416690940269772
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we investigate the impact of neural networks (NNs) topology on adversarial robustness. Specifically, we study the graph produced when an input traverses all the layers of a NN, and show that such graphs are different for clean and adversarial inputs. We find that graphs from clean inputs are more centralized around highway edges, whereas those from adversaries are more diffuse, leveraging under-optimized edges. Through experiments on a variety of datasets and architectures, we show that these under-optimized edges are a source of adversarial vulnerability and that they can be used to detect adversarial inputs.
Abstract（参考訳）: 本稿では,ニューラルネットワーク(nns)トポロジーが逆ロバスト性に与える影響について検討する。具体的には,入力がNNのすべての層を横切るときに発生するグラフについて検討し,そのグラフがクリーンかつ逆入力に対して異なることを示す。クリーンな入力からのグラフはハイウェイエッジを中心により集中的であるのに対して、敵からのグラフはより拡散し、最適化されていないエッジを活用する。様々なデータセットやアーキテクチャの実験を通して、最適化されていないエッジが敵の脆弱性の源であり、敵の入力を検出するために使用できることを示す。

関連論文リスト

Explainability-Based Adversarial Attack on Graphs Through Edge Perturbation [1.6385815610837167]
本研究は,エッジ挿入と削除の両方を含むエッジ摂動によるテスト時間逆行攻撃の影響について検討する。グラフ内の重要なノードを同定し,これらのノード間のエッジ摂動を行うための,説明可能性に基づく新しい手法を提案する。結果は、異なるクラスのノード間のエッジの導入は、同じクラスのノード間のエッジを削除するよりも影響が大きいことを示唆している。
論文参考訳（メタデータ） (2023-12-28T17:41:30Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection [17.254383007779616]
性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
論文参考訳（メタデータ） (2022-10-22T08:21:49Z)
Efficient and Robust Classification for Sparse Attacks [34.48667992227529]
我々は、画像認識、自然言語処理、マルウェア検出の領域において効果的な攻撃として示されてきた$ell$-normで束縛された摂動を考える。我々は,「トランケーション」と「アドリアル・トレーニング」を組み合わせた新しい防衛手法を提案する。得られた洞察に触発され、これらのコンポーネントをニューラルネットワーク分類器に拡張する。
論文参考訳（メタデータ） (2022-01-23T21:18:17Z)
Revisiting Edge Detection in Convolutional Neural Networks [3.5281112495479245]
ニューラルネットワークの第1畳み込み層においてエッジを適切に表現することはできないことを示す。エッジ検出ユニットを提案し,性能損失を低減し,定性的に異なる表現を生成することを示す。
論文参考訳（メタデータ） (2020-12-25T13:53:04Z)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。