論文の概要: Dual Graphs of Polyhedral Decompositions for the Detection of
Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2211.13305v1
- Date: Wed, 23 Nov 2022 21:16:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 15:53:16.299569
- Title: Dual Graphs of Polyhedral Decompositions for the Detection of
Adversarial Attacks
- Title（参考訳）: 対立攻撃検出のための多面体分解のデュアルグラフ
- Authors: Huma Jamil, Yajing Liu, Christina Cole, Nathaniel Blanchard, Emily J.
King, Michael Kirby, Christopher Peterson
- Abstract要約: 本稿では,デジタル画像の文脈における敵対的攻撃の検出と解析にデュアルグラフを利用する方法について述べる。
我々は,非敵対的画像と敵対的画像とを識別するReLUビットを同定し,これらの識別器のコレクションが,対逆的画像検出器を構築するために投票を組み込むことができるかを検証した。
- 参考スコア（独自算出の注目度）: 4.0691504182582126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous work has shown that a neural network with the rectified linear unit
(ReLU) activation function leads to a convex polyhedral decomposition of the
input space. These decompositions can be represented by a dual graph with
vertices corresponding to polyhedra and edges corresponding to polyhedra
sharing a facet, which is a subgraph of a Hamming graph. This paper illustrates
how one can utilize the dual graph to detect and analyze adversarial attacks in
the context of digital images. When an image passes through a network
containing ReLU nodes, the firing or non-firing at a node can be encoded as a
bit ($1$ for ReLU activation, $0$ for ReLU non-activation). The sequence of all
bit activations identifies the image with a bit vector, which identifies it
with a polyhedron in the decomposition and, in turn, identifies it with a
vertex in the dual graph. We identify ReLU bits that are discriminators between
non-adversarial and adversarial images and examine how well collections of
these discriminators can ensemble vote to build an adversarial image detector.
Specifically, we examine the similarities and differences of ReLU bit vectors
for adversarial images, and their non-adversarial counterparts, using a
pre-trained ResNet-50 architecture. While this paper focuses on adversarial
digital images, ResNet-50 architecture, and the ReLU activation function, our
methods extend to other network architectures, activation functions, and types
of datasets.
- Abstract（参考訳）: 従来の研究は、整列線形単位(ReLU)活性化関数を持つニューラルネットワークが入力空間の凸多面体分解をもたらすことを示した。
これらの分解は、多面体に対応する頂点とハミンググラフのサブグラフであるファセットを共有する多面体に対応する辺を持つ双対グラフで表現することができる。
本稿では,デジタル画像の文脈における敵攻撃の検出と解析にデュアルグラフを利用する方法について述べる。
reluノードを含むネットワークをイメージが通過すると、ノードの起動またはノンファイリングをビットとしてエンコードすることができる(reluアクティベーションに$$$、relu非アクティベーションに$0$)。
すべてのビットアクティベーションのシーケンスは、画像をビットベクトルで識別し、分解中の多面体と識別し、さらに双対グラフの頂点と識別する。
非敵画像と敵画像の判別子であるreluビットを識別し、これらの識別子の集合がいかにうまく投票して敵画像検出器を構築することができるかを調べる。
具体的には,ResNet-50アーキテクチャを用いて,逆画像に対するReLUビットベクトルの類似性と相違点について検討する。
本稿では,逆デジタル画像,ResNet-50アーキテクチャ,ReLUアクティベーション機能に着目し,本手法を他のネットワークアーキテクチャ,アクティベーション機能,データセットの種類にまで拡張する。
関連論文リスト
- Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets [0.7646713951724013]
本稿では,コールグラフレットと呼ばれる新しいグラフデータ表現を組み合わせた,新しいグラフニューラルネットワークアーキテクチャを提案する。
専門的なグラフニューラルネットワークモデルは、このグラフ表現に基づいて動作し、セマンティックバイナリコードの類似性を符号化する特徴ベクトルにマッピングすることを学ぶ。
実験結果から,コールグラフレットと新しいグラフニューラルネットワークアーキテクチャを組み合わせることで,同等あるいは最先端の性能が得られることがわかった。
論文 参考訳（メタデータ） (2024-06-02T18:26:50Z) - Image as First-Order Norm+Linear Autoregression: Unveiling Mathematical
Invariance [104.05734286732941]
FINOLAは、潜在空間内の各画像を1次自己回帰プロセスとして表現する。
FINOLAの256x256機能マップへの自動回帰機能を示す。
また、簡単なマスク付き予測手法を用いて、FINOLAを自己教師型学習に活用する。
論文 参考訳（メタデータ） (2023-05-25T17:59:50Z) - Hamming Similarity and Graph Laplacians for Class Partitioning and
Adversarial Image Detection [2.960821510561423]
ニューラルネットワークの動作の理解と解釈を支援するために,ReLUアクティベーションパターン(ビットベクトルとして符号化)の可能性を検討する。
本稿では、Representational Dissimilarity Matrices(RDM)を用いて、ディープニューラルネットワークの埋め込み空間におけるデータのコヒーレンスについて検討する。
我々は,ビットベクトルが逆画像検出に役立ち,逆画像と非逆画像の分離において95%以上の精度を達成できることを実証した。
論文 参考訳（メタデータ） (2023-05-02T22:16:15Z) - Single Image Super-Resolution via a Dual Interactive Implicit Neural
Network [5.331665215168209]
本稿では,任意のスケール因子における単一画像の超解像処理のための新しい暗黙的ニューラルネットワークを提案する。
公開されているベンチマークデータセット上で、最先端技術に対するアプローチの有効性と柔軟性を実証する。
論文 参考訳（メタデータ） (2022-10-23T02:05:19Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - A Dual Neighborhood Hypergraph Neural Network for Change Detection in
VHR Remote Sensing Images [12.222830717774118]
本稿では,双対近傍ハイパーグラフニューラルネットワークを提案する。
提案手法は,多くの最先端手法と比較して有効性とロバスト性が高い。
論文 参考訳（メタデータ） (2022-02-27T02:39:08Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
破損したデータの表現を復元するための新しい逆問題群について検討する。
コントラスト目的を用いた教師付きインバージョン手法を提案する。
提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
論文 参考訳（メタデータ） (2021-10-14T15:06:30Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳（メタデータ） (2021-04-29T17:58:35Z) - Pixel-wise Dense Detector for Image Inpainting [34.721991959357425]
近年のGANベースの画像インパインティング手法では,画像の識別とスカラー出力に平均的手法が採用されている。
本稿では, 画像インパインティングのための新たな検出ベース生成フレームワークを提案し, 逆方向のプロセスにおいてmin-max戦略を採用する。
複数の公開データセットの実験は、提案したフレームワークの優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-11-04T13:45:27Z) - Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。
現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。
そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
論文 参考訳（メタデータ） (2020-06-23T19:52:23Z)
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。