論文の概要: Deep Generative Attacks and Countermeasures for Data-Driven Offline Signature Verification

• arxiv url: http://arxiv.org/abs/2312.00987v1
• Date: Sat, 2 Dec 2023 00:58:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 19:52:05.451777
• Title: Deep Generative Attacks and Countermeasures for Data-Driven Offline Signature Verification
• Title（参考訳）: データ駆動型オフラインシグネチャ検証のためのディープジェネレーティブアタックと対策
• Authors: An Ngo and MinhPhuong Cao and Rajesh Kumar
• Abstract要約: 本稿では,データ駆動型シグネチャ検証(DASV)におけるジェネレーティブアタックの影響について検討する。 本稿では,2つの顕著な深部生成モデル(DGM),変分オートエンコーダ(VAE),条件付き生成逆ネットワーク(CGAN)のパワーについて検討する。 本稿では,DASVに対する深層発生攻撃の効果を効果的に抑制する対策を提案する。
• 参考スコア（独自算出の注目度）: 2.1741128399394594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While previous studies have explored attacks via random, simple, and skilled forgeries, generative attacks have received limited attention in the data-driven signature verification (DASV) process. Thus, this paper explores the impact of generative attacks on DASV and proposes practical and interpretable countermeasures. We investigate the power of two prominent Deep Generative Models (DGMs), Variational Auto-encoders (VAE) and Conditional Generative Adversarial Networks (CGAN), on their ability to generate signatures that would successfully deceive DASV. Additionally, we evaluate the quality of generated images using the Structural Similarity Index measure (SSIM) and use the same to explain the attack's success. Finally, we propose countermeasures that effectively reduce the impact of deep generative attacks on DASV. We first generated six synthetic datasets from three benchmark offline-signature datasets viz. CEDAR, BHSig260- Bengali, and BHSig260-Hindi using VAE and CGAN. Then, we built baseline DASVs using Xception, ResNet152V2, and DenseNet201. These DASVs achieved average (over the three datasets) False Accept Rates (FARs) of 2.55%, 3.17%, and 1.06%, respectively. Then, we attacked these baselines using the synthetic datasets. The VAE-generated signatures increased average FARs to 10.4%, 10.1%, and 7.5%, while CGAN-generated signatures to 32.5%, 30%, and 26.1%. The variation in the effectiveness of attack for VAE and CGAN was investigated further and explained by a strong (rho = -0.86) negative correlation between FARs and SSIMs. We created another set of synthetic datasets and used the same to retrain the DASVs. The retained baseline showed significant robustness to random, skilled, and generative attacks as the FARs shrank to less than 1% on average. The findings underscore the importance of studying generative attacks and potential countermeasures for DASV.
• Abstract（参考訳）: これまでの研究では、ランダムで単純で熟練した偽造品による攻撃を調査してきたが、生成的攻撃はデータ駆動署名検証(DASV)プロセスにおいて限定的に注目されている。 そこで本稿では,dasvに対する生成攻撃の影響を考察し,実用的かつ解釈可能な対策を提案する。 dasvを欺くシグネチャを生成する能力について,2つの著名なディープジェネレーションモデル(dgms),変分オートエンコーダ(vae),条件付きジェネレーションアドバーサリーネットワーク(cgan)のパワーについて検討した。 さらに,構造的類似度指標(ssim)を用いて生成画像の品質を評価し,それを用いて攻撃の成功を説明する。 最後に,DASVに対する深層発生攻撃の効果を効果的に抑制する対策を提案する。 まず,3つのベンチマークオフライン署名データセットから6つの合成データセットを生成した。 CEDAR、BHSig260-ベンガル、BHSig260-ヒンディーはVAEとCGANを使用している。 そして、Xception、ResNet152V2、DenseNet201を使ってベースラインDASVを構築しました。 これらのDASVは、それぞれ2.55%、3.17%、1.06%のFAR(False Accept Rates)を達成した。 そして,合成データセットを用いて,これらのベースラインを攻撃した。 VAEが生成した署名は平均FARが10.4%、10.1%、7.5%、CGANが生成した署名が32.5%、30%、26.1%に増加した。 VAEとCGANの攻撃効果の変動について, FARとSSIMの強い負相関(rho=-0.86)を用いて検討した。 別の合成データセットを作成し、dasvの再トレーニングに同じデータを使用しました。 FARは平均で1%未満まで縮小し, ランダム, 熟練, 生成的攻撃に対して顕著な堅牢性を示した。 dasvのジェネレーティブアタック研究の重要性と潜在的な対策が示唆されている。

関連論文リスト

• Optimizing Intrusion Detection System Performance Through Synergistic Hyperparameter Tuning and Advanced Data Processing [3.3148772440755527]
  侵入検知は、悪意のある活動に対するコンピュータネットワークの確保に不可欠である。 そこで本研究では,ディープラーニングとデータバランシング,高次元化を組み合わせたシステムを提案する。 CIC IDS 2018やCIC IDS 2017のような広範なデータセットをトレーニングすることで、当社のモデルは堅牢なパフォーマンスと一般化を示している。
  論文  参考訳（メタデータ） (2024-08-03T14:09:28Z)
• Deep Learning for Network Anomaly Detection under Data Contamination: Evaluating Robustness and Mitigating Performance Degradation [0.0]
  ディープラーニング(DL)は、サイバーセキュリティのためのネットワーク異常検出(NAD)において重要なツールとして登場した。 異常検出のためのDLモデルはデータから特徴や学習パターンを抽出するのに優れているが、データ汚染には弱い。 本研究では,データ汚染に対する6つの教師なしDLアルゴリズムのロバスト性を評価する。
  論文  参考訳（メタデータ） (2024-07-11T19:47:37Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction [6.374540518226326]
  侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。 本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。 CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
  論文  参考訳（メタデータ） (2024-01-22T05:49:41Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• SigScatNet: A Siamese + Scattering based Deep Learning Approach for Signature Forgery Detection and Similarity Assessment [1.474723404975345]
  本稿では,偽造署名の急増に対処する革新的なソリューションであるSigScatNetを紹介する。 Scattering Waveletによって強化されたシームズディープラーニングネットワークは、シグネチャの偽造を検知し、シグネチャ類似性を評価するために使用される。 実験では、SigScatNetは、ICDAR SigCompのオランダのデータセットで3.689%、CEDARのデータセットで0.0578%の非同値のEqual Error Rateが得られる。
  論文  参考訳（メタデータ） (2023-11-09T18:38:46Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking [83.48804199140758]
  システム出力のランキングを乱す学習とミスランクの定式化を提案する。 また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。 そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
  論文  参考訳（メタデータ） (2020-04-08T18:48:29Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。