Fugu-MT 論文翻訳(概要): Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data

論文の概要: Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data

arxiv url: http://arxiv.org/abs/2406.00775v1
Date: Sun, 2 Jun 2024 15:26:52 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 03:26:39.132817
Title: Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data
Title（参考訳）: 制約付き適応アタック: タブラルデータに対するディープニューラルネットワークに対する効果的なアタック
Authors: Thibault Simonetto, Salah Ghamizi, Maxime Cordy,
Abstract要約: そこで本研究では,適応機構による既存の勾配攻撃の障害を克服する勾配攻撃を提案する。また、CAPGD攻撃と最高の検索ベース攻撃であるMOEVAを組み合わせた効率的な回避攻撃であるCAAを設計する。私たちの実証研究は、CAAが既存の攻撃を20以上の設定で17で上回っていることを実証しています。
参考スコア（独自算出の注目度）: 12.641656743760874
License: http://creativecommons.org/licenses/by/4.0/
Abstract: State-of-the-art deep learning models for tabular data have recently achieved acceptable performance to be deployed in industrial settings. However, the robustness of these models remains scarcely explored. Contrary to computer vision, there are no effective attacks to properly evaluate the adversarial robustness of deep tabular models due to intrinsic properties of tabular data, such as categorical features, immutability, and feature relationship constraints. To fill this gap, we first propose CAPGD, a gradient attack that overcomes the failures of existing gradient attacks with adaptive mechanisms. This new attack does not require parameter tuning and further degrades the accuracy, up to 81% points compared to the previous gradient attacks. Second, we design CAA, an efficient evasion attack that combines our CAPGD attack and MOEVA, the best search-based attack. We demonstrate the effectiveness of our attacks on five architectures and four critical use cases. Our empirical study demonstrates that CAA outperforms all existing attacks in 17 over the 20 settings, and leads to a drop in the accuracy by up to 96.1% points and 21.9% points compared to CAPGD and MOEVA respectively while being up to five times faster than MOEVA. Given the effectiveness and efficiency of our new attacks, we argue that they should become the minimal test for any new defense or robust architectures in tabular machine learning.
Abstract（参考訳）: 表形式のデータに対する最先端のディープラーニングモデルは、最近、産業環境にデプロイされる許容可能なパフォーマンスを達成した。しかし、これらのモデルの堅牢性はいまだにほとんど調査されていない。コンピュータビジョンとは対照的に、分類的特徴、不変性、特徴関係制約などの表層データ固有の性質により、表層モデルの敵対的ロバスト性を適切に評価する効果的な攻撃は存在しない。このギャップを埋めるために、我々はまず、適応的なメカニズムで既存の勾配攻撃の失敗を克服する勾配攻撃であるCAPGDを提案する。この新たな攻撃はパラメータチューニングを必要とせず、以前の勾配攻撃と比較して最大81%の精度を低下させる。第2に、CAPGD攻撃とMOEVAを併用した効率的な回避攻撃であるCAAを設計する。 5つのアーキテクチャと4つの重要なユースケースに対する攻撃の有効性を実証する。実証実験により、CAAは20設定で17件の既存攻撃より優れており、MOEVAの最大5倍の精度で、CAPGDとMOEVAと比較して96.1%、21.9%の精度で精度が低下していることが示された。新たな攻撃の有効性と効率を考えると、タブ型機械学習における新しい防御や堅牢なアーキテクチャの最小限のテストになるべきだ、と私たちは主張する。

関連論文リスト

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)
Constrained Adaptive Attacks: Realistic Evaluation of Adversarial Examples and Robust Training of Deep Neural Networks for Tabular Data [19.579837693614326]
本稿では,制約付きディープラーニングモデルに対する最初の効率的な回避攻撃であるCAAを提案する。 CAAを活用して、クレジットスコア、フィッシング、ボットネット攻撃検出という3つの一般的なユースケースにわたる、ディープタブモデルのベンチマークを構築します。
論文参考訳（メタデータ） (2023-11-08T07:35:28Z)
RECESS Vaccine for Federated Learning: Proactive Defense Against Model Poisoning Attacks [20.55681622921858]
モデル中毒は、フェデレートラーニング(FL)の適用を著しく阻害する本研究では,モデル中毒に対するRECESSという新しいプロアクティブ・ディフェンスを提案する。各イテレーションをスコアする従来の方法とは異なり、RECESSはクライアントのパフォーマンス相関を複数のイテレーションで考慮し、信頼スコアを見積もる。
論文参考訳（メタデータ） (2023-10-09T06:09:01Z)
Everything Perturbed All at Once: Enabling Differentiable Graph Attacks [61.61327182050706]
グラフニューラルネットワーク(GNN)は敵の攻撃に弱いことが示されている。本稿では,DGA(Dariable Graph Attack)と呼ばれる新しい攻撃手法を提案し,効果的な攻撃を効率的に生成する。最先端と比較して、DGAは6倍のトレーニング時間と11倍のGPUメモリフットプリントでほぼ同等の攻撃性能を達成する。
論文参考訳（メタデータ） (2023-08-29T20:14:42Z)
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)
Lagrangian Objective Function Leads to Improved Unforeseen Attack Generalization in Adversarial Training [0.0]
対人訓練(AT)は、訓練中に使用される攻撃に対して堅牢なモデルに到達するのに有効であることが示されている。我々は、上記の問題を緩和する簡易なAT修正を提案する。我々は,攻撃の一般化を意図した他の攻撃手法よりも,攻撃速度が速いことを示す。
論文参考訳（メタデータ） (2021-03-29T07:23:46Z)
How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文参考訳（メタデータ） (2020-12-02T15:30:21Z)
Guided Adversarial Attack for Evaluating and Enhancing Adversarial Defenses [59.58128343334556]
我々は、より適切な勾配方向を見つけ、攻撃効果を高め、より効率的な対人訓練をもたらす標準損失に緩和項を導入する。本稿では, クリーン画像の関数マッピングを用いて, 敵生成を誘導するGAMA ( Guided Adversarial Margin Attack) を提案する。また,一段防衛における最先端性能を実現するためのGAT ( Guided Adversarial Training) を提案する。
論文参考訳（メタデータ） (2020-11-30T16:39:39Z)
On Adversarial Robustness of 3D Point Cloud Classification under Adaptive Attacks [22.618325281125916]
3Dポイントクラウドは、自律運転など、さまざまな安全クリティカルなアプリケーションにおいて重要な役割を果たす。我々は、最先端の防衛に関する最初のセキュリティ分析を行い、それらを適応的に評価する。 100%適応攻撃の成功率は、現在の対策がまだ脆弱であることを示している。
論文参考訳（メタデータ） (2020-11-24T06:46:38Z)
A Data Augmentation-based Defense Method Against Adversarial Attacks in Neural Networks [7.943024117353317]
そこで本研究では,実生活制約に適合した完全ホワイトボックス攻撃を効果的に無効化する軽量防衛手法を開発した。我々のモデルは、50発のBPDAによる高度な適応攻撃に耐えることができ、攻撃成功率をほぼゼロに抑えながら、目標モデルが約80%の精度を維持するのに役立ちます。
論文参考訳（メタデータ） (2020-07-30T08:06:53Z)
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。