論文の概要: Explainable Data Poison Attacks on Human Emotion Evaluation Systems based on EEG Signals

• arxiv url: http://arxiv.org/abs/2301.06923v1
• Date: Tue, 17 Jan 2023 14:44:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 13:52:04.496724
• Title: Explainable Data Poison Attacks on Human Emotion Evaluation Systems based on EEG Signals
• Title（参考訳）: 脳波信号に基づく感情評価システムにおける説明可能なデータ中毒攻撃
• Authors: Zhibo Zhang, Sani Umar, Ahmed Y. Al Hammadi, Sangyoung Yoon, Ernesto Damiani, Claudio Agostino Ardagna, Nicola Bena, and Chan Yeob Yeun
• Abstract要約: 本稿では,脳波信号を用いた人間の感情評価システム(EEG)の訓練段階におけるラベルフリップを用いたデータ中毒攻撃について説明する。 脳波信号に基づく人間の感情評価システムは、データ中毒に対するいくつかの脆弱性を示している。
• 参考スコア（独自算出の注目度）: 3.8523826400372783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The major aim of this paper is to explain the data poisoning attacks using label-flipping during the training stage of the electroencephalogram (EEG) signal-based human emotion evaluation systems deploying Machine Learning models from the attackers' perspective. Human emotion evaluation using EEG signals has consistently attracted a lot of research attention. The identification of human emotional states based on EEG signals is effective to detect potential internal threats caused by insider individuals. Nevertheless, EEG signal-based human emotion evaluation systems have shown several vulnerabilities to data poison attacks. The findings of the experiments demonstrate that the suggested data poison assaults are model-independently successful, although various models exhibit varying levels of resilience to the attacks. In addition, the data poison attacks on the EEG signal-based human emotion evaluation systems are explained with several Explainable Artificial Intelligence (XAI) methods, including Shapley Additive Explanation (SHAP) values, Local Interpretable Model-agnostic Explanations (LIME), and Generated Decision Trees. And the codes of this paper are publicly available on GitHub.
• Abstract（参考訳）: 本研究の目的は、脳波(eeg)信号に基づく感情評価システムにおいて、攻撃者の視点から機械学習モデルを展開する訓練段階において、ラベルフリッピングを用いたデータ中毒攻撃を説明することである。 脳波信号を用いた人間の感情評価は、常に多くの研究の注目を集めている。 脳波信号に基づく人間の感情状態の同定は、インサイダー個人によって引き起こされる潜在的な内的脅威を検出するのに有効である。 それでも、脳波信号に基づく人間の感情評価システムは、データ中毒に対するいくつかの脆弱性を示している。 実験の結果、提案されたデータ中毒攻撃はモデル非依存的に成功したが、様々なモデルでは攻撃に対する弾力性は様々である。 さらに、脳波信号に基づく人間の感情評価システムに対するデータ毒攻撃は、シェープ付加説明(SHAP)値、局所解釈可能なモデル非依存説明(LIME)、生成決定木など、いくつかの説明可能な人工知能(XAI)手法で説明される。 この論文のコードはgithubで公開されている。

関連論文リスト

• Reputation-Based Federated Learning Defense to Mitigate Threats in EEG Signal Classification [10.57197051973977]
  脳波データの分散特性と関連するプライバシとセキュリティ上の懸念から,脳波解析のための効率的な学習モデルを作成することは困難である。 本稿では,脳波信号分類における潜在的なセキュリティ脅威を防御する評価に基づく脅威軽減フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T08:08:15Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
  そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。 暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。 我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:45:24Z)
• Explainable Label-flipping Attacks on Human Emotion Assessment System [4.657100266392171]
  本稿では,ラベルフリップを用いたデータ中毒攻撃に対する攻撃者の視点を提供する。 ラベルフリップに基づくデータ中毒攻撃は, モデルによらず成功している。 XAI技術は、脳波信号に基づく人間の感情評価システムに対するデータ毒攻撃を説明するために用いられる。
  論文  参考訳（メタデータ） (2023-02-08T15:04:27Z)
• Label Flipping Data Poisoning Attack Against Wearable Human Activity Recognition System [0.5284812806199193]
  本稿では,HAR(Human Activity Recognition)システムに対するラベルフリップデータ中毒攻撃の設計について述べる。 検知環境におけるノイズと不確実性のため、このような攻撃は認識システムに深刻な脅威をもたらす。 本稿では,スマートフォンによるセンサデータ収集アプリケーションを通じて,この攻撃を実際に行う方法について,光を当てる。
  論文  参考訳（メタデータ） (2022-08-17T17:52:13Z)
• EEG2Vec: Learning Affective EEG Representations via Variational Autoencoders [27.3162026528455]
  我々は、感情的な刺激に反応して、潜在ベクトル空間におけるニューラルデータを表現することが、両方の感情状態を予測するのに役立つかどうかを考察する。 脳波データから生成的識別的表現を学習するための条件付き変分オートエンコーダベースのフレームワークであるEEG2Vecを提案する。
  論文  参考訳（メタデータ） (2022-07-16T19:25:29Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
  近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:49:42Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。

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。