論文の概要: Robust One-Class Classification with Signed Distance Function using 1-Lipschitz Neural Networks

• arxiv url: http://arxiv.org/abs/2303.01978v2
• Date: Mon, 1 Apr 2024 20:01:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 14:01:34.962956
• Title: Robust One-Class Classification with Signed Distance Function using 1-Lipschitz Neural Networks
• Title（参考訳）: 1-Lipschitz ニューラルネットワークを用いた符号付き距離関数を用いたロバスト一クラス分類
• Authors: Louis Bethune, Paul Novello, Thibaut Boissin, Guillaume Coiffier, Mathieu Serrurier, Quentin Vincenot, Andres Troya-Galvis,
• Abstract要約: 我々は,一クラス分類(OCC)を行うために,一クラス符号距離関数(OCSDF)と呼ばれる新しい手法を提案する。 サポートへの距離は正規性スコアと解釈でき、1-Lipschitzニューラルネットワークによる近似は、$l2$の敵攻撃に対するバウンダリを提供する。
• 参考スコア（独自算出の注目度）: 3.5598973787043726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new method, dubbed One Class Signed Distance Function (OCSDF), to perform One Class Classification (OCC) by provably learning the Signed Distance Function (SDF) to the boundary of the support of any distribution. The distance to the support can be interpreted as a normality score, and its approximation using 1-Lipschitz neural networks provides robustness bounds against $l2$ adversarial attacks, an under-explored weakness of deep learning-based OCC algorithms. As a result, OCSDF comes with a new metric, certified AUROC, that can be computed at the same cost as any classical AUROC. We show that OCSDF is competitive against concurrent methods on tabular and image data while being way more robust to adversarial attacks, illustrating its theoretical properties. Finally, as exploratory research perspectives, we theoretically and empirically show how OCSDF connects OCC with image generation and implicit neural surface parametrization. Our code is available at https://github.com/Algue-Rythme/OneClassMetricLearning
• Abstract（参考訳）: そこで我々は,SDF(Signed Distance Function)を任意の分布のサポートの境界まで確実に学習することにより,OCC(One Class Signed Distance Function)を実現する手法を提案する。 サポートからの距離は正規性スコアと解釈でき、1-Lipschitzニューラルネットワークによる近似は、ディープラーニングベースのOCCアルゴリズムの未探索の弱点である$l2$の敵攻撃に対して堅牢性バウンダリを提供する。 その結果、OCSDFは、従来のAUROCと同じコストで計算できる、認証されたAUROCという新しいメトリックが付属している。 OCSDFは, 表や画像データの同時処理手法と競合する一方で, 敵攻撃に対してより堅牢であり, 理論的性質を説明できることを示す。 最後に、探索研究の観点から、OCSDFがOCCと画像生成と暗黙の神経表面のパラメトリゼーションとをどう結合するかを理論的および経験的に示す。 私たちのコードはhttps://github.com/Algue-Rythme/OneClassMetricLearningで利用可能です。

関連論文リスト

• Wasserstein distributional robustness of neural networks [9.79503506460041]
  ディープニューラルネットワークは敵攻撃(AA)に弱いことが知られている 画像認識タスクでは、元の小さな摂動によって画像が誤分類される可能性がある。 本稿では,Wassersteinの分散ロバスト最適化(DRO)技術を用いて問題を再検討し,新しいコントリビューションを得た。
  論文  参考訳（メタデータ） (2023-06-16T13:41:24Z)
• Latent Feature Relation Consistency for Adversarial Robustness [80.24334635105829]
  深層ニューラルネットワークは、人間の知覚できない敵のノイズを自然の例に付加する敵の例を予測するときに、誤分類が起こる。 textbfLatent textbfFeature textbfRelation textbfConsistency (textbfLFRC)を提案する。 LFRCは、潜在空間における逆例の関係を、自然例と整合性に制約する。
  論文  参考訳（メタデータ） (2023-03-29T13:50:01Z)
• Visual Recognition with Deep Nearest Centroids [57.35144702563746]
  我々は、概念的にエレガントで驚くほど効果的な大規模視覚認識ネットワークである深部セントロイド(DNC)を考案した。 パラメトリックと比較すると、DNCは画像分類(CIFAR-10, ImageNet)に優れ、画像認識(ADE20K, Cityscapes)を大いに起動する。
  論文  参考訳（メタデータ） (2022-09-15T15:47:31Z)
• 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)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Comparison of Statistical and Machine Learning Techniques for Physical Layer Authentication [12.154451826265314]
  我々は,認証者が正統なサプリカントと攻撃者を区別することを目的とした物理層での認証を検討する。 まず,2つの異なる統計的決定手法について検討し,異なるレベルの時間変化に影響を受ける大量の参照を使用することは,セキュリティの観点からは有益ではないことを示す。
  論文  参考訳（メタデータ） (2020-01-17T11:02:23Z)

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。