論文の概要: Improving Adversarial Robustness with Hypersphere Embedding and Angular-based Regularizations

• arxiv url: http://arxiv.org/abs/2303.08289v1
• Date: Wed, 15 Mar 2023 00:35:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 15:14:23.722515
• Title: Improving Adversarial Robustness with Hypersphere Embedding and Angular-based Regularizations
• Title（参考訳）: 超球埋め込みと角型正則化による逆ロバスト性の改善
• Authors: Olukorede Fakorede, Ashutosh Nirala, Modeste Atsague, Jin Tian
• Abstract要約: 敵対的トレーニング(AT)法は、ディープニューラルネットワークに対する敵対的攻撃に対して有効であることが判明した。 強靭性を高めるため,既存のAT手順にハイパースフィア埋め込み(HE)を統合することを提案する。 我々の手法は角線ATと呼ばれ、重み付けコンパクト性とクラス間分離を明示的に強制するATに正規化項を追加する。
• 参考スコア（独自算出の注目度）: 4.874780144224057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial training (AT) methods have been found to be effective against adversarial attacks on deep neural networks. Many variants of AT have been proposed to improve its performance. Pang et al. [1] have recently shown that incorporating hypersphere embedding (HE) into the existing AT procedures enhances robustness. We observe that the existing AT procedures are not designed for the HE framework, and thus fail to adequately learn the angular discriminative information available in the HE framework. In this paper, we propose integrating HE into AT with regularization terms that exploit the rich angular information available in the HE framework. Specifically, our method, termed angular-AT, adds regularization terms to AT that explicitly enforce weight-feature compactness and inter-class separation; all expressed in terms of angular features. Experimental results show that angular-AT further improves adversarial robustness.
• Abstract（参考訳）: 敵対的トレーニング(AT)法は、ディープニューラルネットワークに対する敵対的攻撃に対して有効であることが判明した。 ATの多くの派生型が性能向上のために提案されている。 Pang et al. [1] は近年,超球埋め込み (HE) を既存のATプロシージャに組み込むことでロバスト性を高めることが示されている。 既存のATプロシージャはHEフレームワーク用に設計されていないため、HEフレームワークで利用可能な角識別情報を適切に学習することができない。 本稿では,HE フレームワークで利用可能なリッチな角情報を利用する正規化用語で HE を AT に統合することを提案する。 具体的には、angular-atと呼ばれるこのメソッドは、ウェイト機能のコンパクト性とクラス間の分離を明示的に強制するために、正規化項を追加します。 実験の結果,角部ATは対向性をさらに向上することが示された。

関連論文リスト

• Improving Adversarial Training using Vulnerability-Aware Perturbation Budget [7.430861908931903]
  敵対的訓練(AT)は、敵対的攻撃に対するディープニューラルネットワーク(DNN)の堅牢性を効果的に改善する。 本稿では,AT の逆例に摂動境界を割り当てる簡易で安価な脆弱性認識型再重み付け関数を提案する。 実験の結果,提案手法は様々な攻撃に対してATアルゴリズムの頑健さを真に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-03-06T21:50:52Z)
• Towards Robust Semantic Segmentation against Patch-based Attack via Attention Refinement [68.31147013783387]
  我々は,アテンション機構がパッチベースの敵攻撃に弱いことを観察した。 本稿では,意味的セグメンテーションモデルの堅牢性を改善するために,ロバスト注意機構(RAM)を提案する。
  論文  参考訳（メタデータ） (2024-01-03T13:58:35Z)
• FACADE: A Framework for Adversarial Circuit Anomaly Detection and Evaluation [9.025997629442896]
  FACADEは、ディープニューラルネットワークにおける教師なしの機械的異常検出のために設計されている。 我々のアプローチは、モデルの堅牢性を改善し、スケーラブルなモデル監視を強化し、現実のデプロイメント環境で有望なアプリケーションを実証することを目指している。
  論文  参考訳（メタデータ） (2023-07-20T04:00:37Z)
• Multi-Grained Angle Representation for Remote Sensing Object Detection [6.950513073141904]
  粗粒度角度分類(CAC)と細粒度角度回帰(FAR)からなる新しい任意指向物体検出(AOOD)法を提案する。 CACは、離散角符号化(DAE)による角度予測の曖昧さを回避し、DAEの粒度を粗くすることで複雑さを低減する。 FARは、DAEの粒度を狭めるよりもはるかに低コストで角度予測を洗練するために開発された。 A Intersection over Union (IoU) aware FAR-Loss (IFL) is designed to improve accuracy of angle prediction using an Adaptive re-weighting mechanismed by I。
  論文  参考訳（メタデータ） (2022-09-07T02:08:50Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Learnable Adaptive Cosine Estimator (LACE) for Image Classification [2.989889278970106]
  提案手法は,人工ニューラルネットワークによって固有に学習される角情報を含む。 学習可能なACE(LACE)は、データを新しい白色空間に変換し、クラス間分離性とクラス内コンパクト性を改善する。 提案手法は,クロスエントロピーおよび角角ソフトマックスアプローチの代替として有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T14:45:15Z)
• Progressively Guide to Attend: An Iterative Alignment Framework for Temporal Sentence Grounding [53.377028000325424]
  時間的文接地作業のための反復アライメントネットワーク(IA-Net)を提案する。 学習可能なパラメータを持つマルチモーダル特徴をパットすることで、非整合フレームワードペアの非整合問題を軽減する。 また、アライメントの知識を洗練させるために、各アライメントモジュールに従ってキャリブレーションモジュールを考案する。
  論文  参考訳（メタデータ） (2021-09-14T02:08:23Z)
• 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)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)
• Boosting Adversarial Training with Hypersphere Embedding [53.75693100495097]
  敵対的訓練は、ディープラーニングモデルに対する敵対的攻撃に対する最も効果的な防御の1つである。 本研究では,超球埋め込み機構をATプロシージャに組み込むことを提唱する。 我々は,CIFAR-10 と ImageNet データセットに対する幅広い敵対攻撃の下で本手法を検証した。
  論文  参考訳（メタデータ） (2020-02-20T08:42:29Z)

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。