Fugu-MT 論文翻訳(概要): Generating Adversarial Attacks in the Latent Space

論文の概要: Generating Adversarial Attacks in the Latent Space

arxiv url: http://arxiv.org/abs/2304.04386v1
Date: Mon, 10 Apr 2023 05:11:59 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 15:55:22.510491
Title: Generating Adversarial Attacks in the Latent Space
Title（参考訳）: 潜在空間における敵攻撃の発生
Authors: Nitish Shukla, Sudipta Banerjee
Abstract要約: 本稿では, 生成的対向ネットワークを用いて, 潜伏空間における対向摂動を注入することを提案する。 MNIST, CIFAR10, Fashion-MNIST, CIFAR100およびStanford Dogsデータセットの実験は提案手法の有効性を支持する。
参考スコア（独自算出の注目度）: 0.8122270502556374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adversarial attacks in the input (pixel) space typically incorporate noise margins such as $L_1$ or $L_{\infty}$-norm to produce imperceptibly perturbed data that confound deep learning networks. Such noise margins confine the magnitude of permissible noise. In this work, we propose injecting adversarial perturbations in the latent (feature) space using a generative adversarial network, removing the need for margin-based priors. Experiments on MNIST, CIFAR10, Fashion-MNIST, CIFAR100 and Stanford Dogs datasets support the effectiveness of the proposed method in generating adversarial attacks in the latent space while ensuring a high degree of visual realism with respect to pixel-based adversarial attack methods.
Abstract（参考訳）: 入力(ピクセル)空間における敵攻撃は、通常、$L_1$や$L_{\infty}$-normのようなノイズマージンを組み込んで、深層学習ネットワークを妨害する知覚できない摂動データを生成する。このようなノイズマージンは許容音の大きさを限定する。本研究では、生成的対向ネットワークを用いて、潜在(機能)空間における対向的摂動を注入し、マージンに基づく先行性の必要性を取り除くことを提案する。 MNIST, CIFAR10, Fashion-MNIST, CIFAR100, およびStanford Dogsデータセットを用いた実験は, 画素ベースの対向攻撃法に関して高い視覚的リアリズムを確保しつつ, 潜伏空間における対向攻撃を発生させる手法の有効性を支持する。

関連論文リスト

Detecting Adversarial Data via Perturbation Forgery [28.637963515748456]
逆検出は、自然データと逆データの間の分布とノイズパターンの相違に基づいて、データフローから逆データを特定し、フィルタリングすることを目的としている。不均衡および異方性雑音パターンを回避した生成モデルに基づく新しい攻撃本研究では,ノイズ分布の摂動,スパースマスク生成,擬似対向データ生成を含む摂動フォージェリを提案し,未知の勾配に基づく,生成モデルに基づく,物理的対向攻撃を検出することができる対向検出器を訓練する。
論文参考訳（メタデータ） (2024-05-25T13:34:16Z)
Subspace Defense: Discarding Adversarial Perturbations by Learning a Subspace for Clean Signals [52.123343364599094]
敵の攻撃は、正常な例に基づいて慎重に摂動を行い、ディープニューラルネットワーク(DNN)を騙すまず,低次元線形部分空間において,クリーン信号と逆方向の摂動の特徴が冗長であり,重なりが最小であることを示す。これにより、DNNは、摂動が破棄されている間、クリーン信号の特徴のみが存在する部分空間を学習することができる。
論文参考訳（メタデータ） (2024-03-24T14:35:44Z)
General Adversarial Defense Against Black-box Attacks via Pixel Level and Feature Level Distribution Alignments [75.58342268895564]
我々は,DGN(Deep Generative Networks)と新たなトレーニング機構を併用して,分散ギャップを解消する。トレーニングされたDGNは、画素値の変換により、敵サンプルとターゲットDNNのクリーンな分布を整列する。我々の戦略はブラックボックス攻撃に対するその独特な効果と汎用性を実証している。
論文参考訳（メタデータ） (2022-12-11T01:51:31Z)
Guided Diffusion Model for Adversarial Purification [103.4596751105955]
敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
論文参考訳（メタデータ） (2022-05-30T10:11:15Z)
On Procedural Adversarial Noise Attack And Defense [2.5388455804357952]
逆の例では、ニューラルネットワークが入力画像に小さな修正を加えて予測エラーを発生させる。本稿では,手続き型雑音関数に基づく2つのユニバーサル対向摂動(UAP)生成手法を提案する。セマンティック表現を変更することなく、我々の手法によって生成された敵の例は攻撃に対して優れた性能を示す。
論文参考訳（メタデータ） (2021-08-10T02:47:01Z)
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)
Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。近年の取り組みは、他の等級のl_infty摂動と組み合わせている。本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-10T20:11:36Z)
Removing Adversarial Noise in Class Activation Feature Space [160.78488162713498]
クラスアクティベーション機能空間において,自己監視型対人訓練機構を実装することにより,対人雑音の除去を提案する。クラスアクティベーション機能空間における敵対例と自然な例の間の距離を最小にするために、デノイジングモデルを訓練する。経験的評価により, 従来の手法と比較して, 敵対的堅牢性が有意に向上できることが示された。
論文参考訳（メタデータ） (2021-04-19T10:42:24Z)
Generating Out of Distribution Adversarial Attack using Latent Space Poisoning [5.1314136039587925]
本稿では,実際の画像が破損しない敵の例を生成する新しいメカニズムを提案する。潜在空間表現は、画像の固有構造を改ざんするために利用される。勾配ベースの攻撃とは対照的に、潜時空間中毒は、トレーニングデータセットの独立かつ同一分布をモデル化する分類器の傾きを利用する。
論文参考訳（メタデータ） (2020-12-09T13:05:44Z)
On the Matrix-Free Generation of Adversarial Perturbations for Black-Box Attacks [1.199955563466263]
本稿では,ブラックボックス攻撃に適用可能な,このような対向的摂動の実用的な生成法を提案する。攻撃者は、内部機能を起動したり、ディープニューラルネットワークの内部状態にアクセスしたりすることなく、そのような摂動を発生させる。
論文参考訳（メタデータ） (2020-02-18T00:50:26Z)

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。