Fugu-MT 論文翻訳(概要): On the Susceptibility and Robustness of Time Series Models through Adversarial Attack and Defense

論文の概要: On the Susceptibility and Robustness of Time Series Models through Adversarial Attack and Defense

arxiv url: http://arxiv.org/abs/2301.03703v1
Date: Mon, 9 Jan 2023 22:24:31 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 16:36:50.798840
Title: On the Susceptibility and Robustness of Time Series Models through Adversarial Attack and Defense
Title（参考訳）: 逆攻撃・防御による時系列モデルの受容性とロバスト性について
Authors: Asadullah Hill Galib, Bidhan Bashyal
Abstract要約: 攻撃に対して異なる時系列モデルがどのように脆弱であるか、そして防衛によってどのように回復するかを評価することは重要である。実験は3つの敵攻撃と1つの敵防衛を備えた7回のシリーズモデルで実施される。
参考スコア（独自算出の注目度）: 0.6396288020763143
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Under adversarial attacks, time series regression and classification are vulnerable. Adversarial defense, on the other hand, can make the models more resilient. It is important to evaluate how vulnerable different time series models are to attacks and how well they recover using defense. The sensitivity to various attacks and the robustness using the defense of several time series models are investigated in this study. Experiments are run on seven-time series models with three adversarial attacks and one adversarial defense. According to the findings, all models, particularly GRU and RNN, appear to be vulnerable. LSTM and GRU also have better defense recovery. FGSM exceeds the competitors in terms of attacks. PGD attacks are more difficult to recover from than other sorts of attacks.
Abstract（参考訳）: 敵の攻撃の下では、時系列回帰と分類は脆弱である。一方、敵対的な防御は、モデルをより弾力性のあるものにすることができる。攻撃に対して異なる時系列モデルがどの程度脆弱であるか、防御によって回復するかを評価することは重要である。本研究では,複数の時系列モデルの防御による各種攻撃に対する感度とロバスト性について検討した。実験は3つの敵攻撃と1つの敵防衛を備えた7回のシリーズモデルで実施される。調査結果によると、GRUやRNNなど、すべてのモデルに脆弱性があるようだ。 LSTMとGRUは防御性も向上した。 FGSMは攻撃の点でライバルを上回っている。 PGD攻撃は、他の種類の攻撃よりも回復が難しい。

関連論文リスト

Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。 MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
論文参考訳（メタデータ） (2024-04-04T10:10:38Z)
Versatile Defense Against Adversarial Attacks on Image Recognition [2.9980620769521513]
現実の環境での敵の攻撃に対する防御は、アンチウイルスソフトの動作方法と比較することができる。画像から画像への翻訳をベースとした防御手法が実現可能であると考えられる。訓練されたモデルは、分類精度をほぼゼロから平均86%に改善した。
論文参考訳（メタデータ） (2024-03-13T01:48:01Z)
MultiRobustBench: Benchmarking Robustness Against Multiple Attacks [86.70417016955459]
機械学習(ML)モデルに対するマルチアタックを検討するための,最初の統一フレームワークを提案する。我々のフレームワークは、テストタイムの敵について異なるレベルの学習者の知識をモデル化することができる。 9種類の攻撃に対して16種類の防御モデルの有効性を評価した。
論文参考訳（メタデータ） (2023-02-21T20:26:39Z)
Targeted Attacks on Timeseries Forecasting [0.6719751155411076]
本稿では,時系列予測モデルに対する指向性,振幅性,時間的標的攻撃の新たな定式化を提案する。これらの攻撃は、出力予測の振幅と方向に特定の影響を与える。実験結果から,時系列モデルに対する標的攻撃が有効であり,統計的類似性の観点からもより強力であることが示唆された。
論文参考訳（メタデータ） (2023-01-27T06:09:42Z)
Game Theoretic Mixed Experts for Combinational Adversarial Machine Learning [10.368343314144553]
我々は、敵の攻撃と防御をアンサンブルするためのゲーム理論の枠組みを提供する。本稿では, ランダム化変換, マルチモデル投票方式, 対向検出器アーキテクチャによる防御を目標とする3つの新しい攻撃アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-11-26T21:35:01Z)
Backdoor Attacks on Time Series: A Generative Approach [33.51299834575577]
本稿では,ディープラーニングに基づく時系列分類器に対する時系列バックドア攻撃に対する新たな生成手法を提案する。バックドア攻撃には、高いステルスネスと高い攻撃成功率という2つの主要な目標がある。提案した攻撃はバックドア防御に耐性があることが判明した。
論文参考訳（メタデータ） (2022-11-15T06:00:28Z)
On the Effectiveness of Adversarial Training against Backdoor Attacks [111.8963365326168]
バックドアモデルは、事前に定義されたトリガーパターンが存在する場合、常にターゲットクラスを予測する。一般的には、敵の訓練はバックドア攻撃に対する防御であると信じられている。本稿では,様々なバックドア攻撃に対して良好な堅牢性を提供するハイブリッド戦略を提案する。
論文参考訳（メタデータ） (2022-02-22T02:24:46Z)
What Doesn't Kill You Makes You Robust(er): Adversarial Training against Poisons and Backdoors [57.040948169155925]
敵対的なトレーニングフレームワークを拡張し、(訓練時間)中毒やバックドア攻撃から防御します。本手法は, トレーニング中に毒を発生させ, トレーニングバッチに注入することにより, ネットワークを中毒の影響に敏感化する。この防御は、適応攻撃に耐え、多様な脅威モデルに一般化し、以前の防御よりも優れた性能のトレードオフをもたらすことを示す。
論文参考訳（メタデータ） (2021-02-26T17:54:36Z)
"What's in the box?!": Deflecting Adversarial Attacks by Randomly Deploying Adversarially-Disjoint Models [71.91835408379602]
敵の例は長い間、機械学習モデルに対する真の脅威と考えられてきた。我々は、従来のホワイトボックスやブラックボックスの脅威モデルを超えた、配置ベースの防衛パラダイムを提案する。
論文参考訳（メタデータ） (2021-02-09T20:07:13Z)
Untargeted, Targeted and Universal Adversarial Attacks and Defenses on Time Series [0.0]
我々は,UCR時系列データセットに対して,対象外,対象外,普遍的敵攻撃を行った。これらの攻撃に対して,ディープラーニングに基づく時系列分類モデルが脆弱であることを示す。また、トレーニングデータのごく一部しか必要としないため、普遍的敵攻撃は優れた一般化特性を有することを示す。
論文参考訳（メタデータ） (2021-01-13T13:00:51Z)
Guided Adversarial Attack for Evaluating and Enhancing Adversarial Defenses [59.58128343334556]
我々は、より適切な勾配方向を見つけ、攻撃効果を高め、より効率的な対人訓練をもたらす標準損失に緩和項を導入する。本稿では, クリーン画像の関数マッピングを用いて, 敵生成を誘導するGAMA ( Guided Adversarial Margin Attack) を提案する。また,一段防衛における最先端性能を実現するためのGAT ( Guided Adversarial Training) を提案する。
論文参考訳（メタデータ） (2020-11-30T16:39:39Z)

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。