論文の概要: Investigating the Adversarial Robustness of Density Estimation Using the Probability Flow ODE

• arxiv url: http://arxiv.org/abs/2310.07084v1
• Date: Tue, 10 Oct 2023 23:58:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 01:06:55.477926
• Title: Investigating the Adversarial Robustness of Density Estimation Using the Probability Flow ODE
• Title（参考訳）: 確率フロー ODE を用いた密度推定の逆ロバスト性の検討
• Authors: Marius Arvinte, Cory Cornelius, Jason Martin, Nageen Himayat
• Abstract要約: 我々は,新しい逆積分攻撃を含む6つの勾配に基づくログライクフード攻撃を導入,評価した。 CIFAR-10を用いた実験では, PF ODE を用いた密度推定は高複雑さ, 高線量攻撃に対して頑健であり, 場合によっては, 頑健な推定器から予測されるように, 対数サンプルが意味論的に意味があることが示唆された。
• 参考スコア（独自算出の注目度）: 4.7818621660181595
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Beyond their impressive sampling capabilities, score-based diffusion models offer a powerful analysis tool in the form of unbiased density estimation of a query sample under the training data distribution. In this work, we investigate the robustness of density estimation using the probability flow (PF) neural ordinary differential equation (ODE) model against gradient-based likelihood maximization attacks and the relation to sample complexity, where the compressed size of a sample is used as a measure of its complexity. We introduce and evaluate six gradient-based log-likelihood maximization attacks, including a novel reverse integration attack. Our experimental evaluations on CIFAR-10 show that density estimation using the PF ODE is robust against high-complexity, high-likelihood attacks, and that in some cases adversarial samples are semantically meaningful, as expected from a robust estimator.
• Abstract（参考訳）: 素晴らしいサンプリング機能に加えて、スコアベースの拡散モデルは、トレーニングデータ分布下でのクエリサンプルの非バイアス密度推定という形で強力な分析ツールを提供する。 本研究では,確率フロー(pf)ニューラル常微分方程式(ode)モデルを用いて,勾配に基づく最大化攻撃に対する密度推定のロバスト性や,試料の圧縮サイズをその複雑性の尺度として用いるサンプル複雑性との関係について検討する。 我々は,新しい逆積分攻撃を含む6つの勾配に基づくログ類似最大化攻撃を導入し,評価する。 実験結果から,pf odeを用いた密度推定は,高複雑度,高類似性攻撃に対して頑健であり,場合によっては,ロバストな推定者から期待されるように,逆のサンプルが意味的に有意であることが分かった。

関連論文リスト

• A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
  本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。 その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
  論文  参考訳（メタデータ） (2024-10-02T20:46:21Z)
• Model Free Prediction with Uncertainty Assessment [7.524024486998338]
  そこで本研究では,深部推定パラダイムを条件付き平均推定を行うプラットフォームに変換する新しいフレームワークを提案する。 本研究では, 条件付き拡散モデルに対する終端収束率を開発し, 生成した試料の正規性を確立する。 数値実験により,提案手法の有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2024-05-21T11:19:50Z)
• Analysis of learning a flow-based generative model from limited sample complexity [39.771578460963774]
  本研究では,2層オートエンコーダによりパラメータ化されたフローベース生成モデルの学習課題について,高次元ガウス混合系のサンプルとして検討する。
  論文  参考訳（メタデータ） (2023-10-05T14:53:40Z)
• Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
  本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。 信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。 我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
  論文  参考訳（メタデータ） (2023-06-01T11:52:58Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
  拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。 事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。 このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
  論文  参考訳（メタデータ） (2022-11-01T08:18:07Z)
• Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
  ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。 そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
  論文  参考訳（メタデータ） (2021-08-25T21:30:27Z)
• Conditional Density Estimation via Weighted Logistic Regressions [0.30458514384586394]
  非均一プロセスモデルの一般密度と可能性関数の関連性を示すパラメトリック条件密度推定法を提案する。 最大推定値は重み付けされたロジスティック回帰によって得ることができ、ブロックワイズ交互化スキームと局所ケースコントロールサンプリングを組み合わせることで計算を著しく緩和することができる。
  論文  参考訳（メタデータ） (2020-10-21T11:08:25Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。