Fugu-MT 論文翻訳(概要): Adversarial Detection by Approximation of Ensemble Boundary

論文の概要: Adversarial Detection by Approximation of Ensemble Boundary

arxiv url: http://arxiv.org/abs/2211.10227v1
Date: Fri, 18 Nov 2022 13:26:57 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 13:48:59.349601
Title: Adversarial Detection by Approximation of Ensemble Boundary
Title（参考訳）: アンサンブル境界近似による逆検出
Authors: T. Windeatt
Abstract要約: ディープニューラルネットワーク(DNN)のアンサンブルの決定境界を近似するためにブール関数のスペクトル近似を提案する比較的弱いDNN分類器のウォルシュ組み合わせは、敵の攻撃を検出できることを実験的に示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A spectral approximation of a Boolean function is proposed for approximating the decision boundary of an ensemble of Deep Neural Networks (DNNs) solving two-class pattern recognition problems. The Walsh combination of relatively weak DNN classifiers is shown experimentally to be capable of detecting adversarial attacks. By observing the difference in Walsh coefficient approximation between clean and adversarial images, it appears that transferability of attack may be used for detection. Approximating the decision boundary may also aid in understanding the learning and transferability properties of DNNs. While the experiments here use images, the proposed approach of modelling two-class ensemble decision boundaries could in principle be applied to any application area.
Abstract（参考訳）: 2種類のパターン認識問題を解くディープニューラルネットワーク(DNN)のアンサンブルの判断境界を近似するために,ブール関数のスペクトル近似を提案する。比較的弱いDNN分類器のウォルシュ組み合わせは、敵の攻撃を検出できることを実験的に示している。クリーン画像と逆画像のウォルシュ係数近似の差を観察することにより, 検出に攻撃の伝達性を利用することができると考えられる。決定境界を近似することは、DNNの学習性と伝達可能性の性質を理解するのに役立つかもしれない。実験では画像を用いたが、2種類のアンサンブル決定境界をモデル化する手法は原則として任意のアプリケーション領域に適用できる。

関連論文リスト

Compositional Curvature Bounds for Deep Neural Networks [7.373617024876726]
安全クリティカルなアプリケーションにおけるニューラルネットワークの普及を脅かす重要な課題は、敵の攻撃に対する脆弱性である。本研究では, 連続的に微分可能な深層ニューラルネットワークの2次挙動について検討し, 対向摂動に対する堅牢性に着目した。ニューラルネットワークの第2微分の証明可能な上界を解析的に計算する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-07T17:50:15Z)
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)
Imperceptible Adversarial Attack on Deep Neural Networks from Image Boundary [1.6589012298747952]
逆例(AE)はディープニューラルネットワーク(DNN)を簡単に騙すことができる本研究は,入力画像境界をシステム的に攻撃し,AEを検出できない敵攻撃を提案する。
論文参考訳（メタデータ） (2023-08-29T14:41:05Z)
Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
論文参考訳（メタデータ） (2022-09-09T13:34:51Z)
Verification-Aided Deep Ensemble Selection [4.290931412096984]
ディープニューラルネットワーク(DNN)は、様々な複雑なタスクを実現するための選択技術となっている。正しく分類された入力に対する知覚できない摂動でさえ、DNNによる誤分類につながる可能性がある。本稿では,同時エラーの少ないアンサンブル構成を同定するための方法論を考案する。
論文参考訳（メタデータ） (2022-02-08T14:36:29Z)
Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文参考訳（メタデータ） (2021-07-20T01:55:21Z)
Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文参考訳（メタデータ） (2020-12-03T10:17:30Z)
Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
論文参考訳（メタデータ） (2020-10-19T13:09:14Z)
GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-04-20T10:09:27Z)
Hold me tight! Influence of discriminative features on deep network boundaries [63.627760598441796]
本稿では,データセットの特徴と,サンプルから決定境界までの距離を関連付ける新しい視点を提案する。これにより、トレーニングサンプルの位置を慎重に調整し、大規模ビジョンデータセットでトレーニングされたCNNの境界における誘発された変化を測定することができる。
論文参考訳（メタデータ） (2020-02-15T09:29:36Z)
Robustness of Bayesian Neural Networks to Gradient-Based Attacks [9.966113038850946]
敵対的攻撃に対する脆弱性は、安全クリティカルなアプリケーションでディープラーニングを採用する上で、大きなハードルのひとつです。データ分布の縮退の結果、勾配に基づく攻撃に対する脆弱性が生じることを示す。以上の結果から,BNN後頭葉は勾配に基づく対向攻撃に対して頑健であることが示唆された。
論文参考訳（メタデータ） (2020-02-11T13:03:57Z)

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。