論文の概要: RNN-Guard: Certified Robustness Against Multi-frame Attacks for Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2304.07980v1
• Date: Mon, 17 Apr 2023 03:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 16:23:20.505951
• Title: RNN-Guard: Certified Robustness Against Multi-frame Attacks for Recurrent Neural Networks
• Title（参考訳）: RNN-Guard: 繰り返しニューラルネットワークに対するマルチフレーム攻撃に対する認証ロバスト性
• Authors: Yunruo Zhang, Tianyu Du, Shouling Ji, Peng Tang, and Shanqing Guo
• Abstract要約: 我々は、RNN-Guardと呼ばれるマルチフレーム攻撃に対する最初の認証された防御法を提案する。 マルチフレーム攻撃に対してRNN-Guardで訓練したモデルの精度は、他の訓練方法よりも15.47～67.65ポイント高い。
• 参考スコア（独自算出の注目度）: 40.58300423811509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is well-known that recurrent neural networks (RNNs), although widely used, are vulnerable to adversarial attacks including one-frame attacks and multi-frame attacks. Though a few certified defenses exist to provide guaranteed robustness against one-frame attacks, we prove that defending against multi-frame attacks remains a challenging problem due to their enormous perturbation space. In this paper, we propose the first certified defense against multi-frame attacks for RNNs called RNN-Guard. To address the above challenge, we adopt the perturb-all-frame strategy to construct perturbation spaces consistent with those in multi-frame attacks. However, the perturb-all-frame strategy causes a precision issue in linear relaxations. To address this issue, we introduce a novel abstract domain called InterZono and design tighter relaxations. We prove that InterZono is more precise than Zonotope yet carries the same time complexity. Experimental evaluations across various datasets and model structures show that the certified robust accuracy calculated by RNN-Guard with InterZono is up to 2.18 times higher than that with Zonotope. In addition, we extend RNN-Guard as the first certified training method against multi-frame attacks to directly enhance RNNs' robustness. The results show that the certified robust accuracy of models trained with RNN-Guard against multi-frame attacks is 15.47 to 67.65 percentage points higher than those with other training methods.
• Abstract（参考訳）: リカレントニューラルネットワーク(recurrent neural networks, rnns)は広く使われているが、一フレーム攻撃や多フレーム攻撃などの敵の攻撃に対して脆弱である。 1フレーム攻撃に対する確実な堅牢性を提供するための認証された防御策はいくつか存在するが、多フレーム攻撃に対する防御は、その巨大な摂動空間のために難しい問題である。 本稿では,RNN-Guardと呼ばれるマルチフレーム攻撃に対する最初の認証防御法を提案する。 上記の課題に対処するため,マルチフレーム攻撃と一致する摂動空間を構築するために,摂動全体の戦略を採用する。 しかし、摂動オールフレーム戦略は線形緩和の精度問題を引き起こす。 この問題に対処するため,我々はinterzonoと呼ばれる新しい抽象ドメインを導入し,より厳密な緩和をデザインする。 我々は、interzonoがzonotopeよりも正確でありながら同時に複雑なことを証明している。 様々なデータセットやモデル構造に対する実験的な評価は、RNN-GuardがInterZonoで計算した精度がZonotopeの2.18倍であることを示している。 さらに、RNN-Guardを、RNNの堅牢性を直接強化する、マルチフレーム攻撃に対する最初の認定訓練方法として拡張する。 その結果、RNN-Guardで訓練されたモデルのマルチフレーム攻撃に対する信頼性は15.47から67.65ポイントと他の訓練方法よりも高いことがわかった。

関連論文リスト

• TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN [14.474274997214845]
  我々は,textbfTemporal adversarial textbfExamples textbfAttack textbfModel textbf(TEAM)と呼ばれる特徴再構成に基づく新しいRNN敵攻撃モデルを提案する。 ほとんどの攻撃カテゴリーでは、TEAMはブラックボックスとホワイトボックスの両方でのNIDSの誤判定率を改善し、96.68%以上に達する。
  論文  参考訳（メタデータ） (2024-09-19T05:26:04Z)
• 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)
• 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)
• Ensemble Defense with Data Diversity: Weak Correlation Implies Strong Robustness [15.185132265916106]
  本稿では,DNN(Deep Neuralnetworks)のフィルタに基づくアンサンブルの枠組みを提案する。 我々のアンサンブルモデルは、敵の訓練のような従来の防御手法によって構築されたものよりも頑丈である。
  論文  参考訳（メタデータ） (2021-06-05T10:56:48Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• Sparse Coding Frontend for Robust Neural Networks [11.36192454455449]
  ディープニューラルネットワークは、小さくて逆向きに作られた摂動に弱いことが知られている。 現在の対人攻撃に対する防御方法は、対人訓練の変種である。 本稿では,クリーン画像に基づくスパース符号化に基づく根本的に異なる防御手法を提案する。
  論文  参考訳（メタデータ） (2021-04-12T11:14:32Z)
• 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)
• RAB: Provable Robustness Against Backdoor Attacks [20.702977915926787]
  我々は、一般的な脅威モデル、特にバックドアアタックに対して、機械学習モデルの堅牢性を証明することに重点を置いている。 トレーニングモデルをスムースにし,バックドア攻撃に対する堅牢性を証明するための,最初の堅牢なトレーニングプロセスであるRABを提案する。 我々は、さまざまな機械学習(ML)モデルに対する包括的な実験を行い、バックドア攻撃に対する信頼性の高い堅牢性を示す最初のベンチマークを提供する。
  論文  参考訳（メタデータ） (2020-03-19T17:05:51Z)
• Reliable evaluation of adversarial robustness with an ensemble of diverse parameter-free attacks [65.20660287833537]
  本稿では,最適段差の大きさと目的関数の問題による障害を克服するPGD攻撃の2つの拡張を提案する。 そして、我々の新しい攻撃と2つの補完的な既存の攻撃を組み合わせることで、パラメータフリーで、計算に手頃な価格で、ユーザに依存しない攻撃のアンサンブルを形成し、敵の堅牢性をテストする。
  論文  参考訳（メタデータ） (2020-03-03T18:15:55Z)

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。