論文の概要: Generating Realistic Adversarial Examples for Business Processes using Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2411.14263v1
• Date: Thu, 21 Nov 2024 16:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:20:11.656949
• Title: Generating Realistic Adversarial Examples for Business Processes using Variational Autoencoders
• Title（参考訳）: 変分オートエンコーダを用いたビジネスプロセスの実例生成
• Authors: Alexander Stevens, Jari Peeperkorn, Johannes De Smedt, Jochen De Weerdt,
• Abstract要約: 私たちは、ビジネスプロセスのコンテキストに合わせて、現実的な敵の例を生成することに重点を置いています。 入力データの潜時空間表現に雑音を加えることで敵を発生させる2つの新しい潜時空間攻撃を導入する。 我々は,この2つの潜時空間法を,11個の実時間イベントログと4つの予測モデルに対して,他の6つの逆攻撃法を用いて評価した。
• 参考スコア（独自算出の注目度）: 47.45962294103265
• License:
• Abstract: In predictive process monitoring, predictive models are vulnerable to adversarial attacks, where input perturbations can lead to incorrect predictions. Unlike in computer vision, where these perturbations are designed to be imperceptible to the human eye, the generation of adversarial examples in predictive process monitoring poses unique challenges. Minor changes to the activity sequences can create improbable or even impossible scenarios to occur due to underlying constraints such as regulatory rules or process constraints. To address this, we focus on generating realistic adversarial examples tailored to the business process context, in contrast to the imperceptible, pixel-level changes commonly seen in computer vision adversarial attacks. This paper introduces two novel latent space attacks, which generate adversaries by adding noise to the latent space representation of the input data, rather than directly modifying the input attributes. These latent space methods are domain-agnostic and do not rely on process-specific knowledge, as we restrict the generation of adversarial examples to the learned class-specific data distributions by directly perturbing the latent space representation of the business process executions. We evaluate these two latent space methods with six other adversarial attacking methods on eleven real-life event logs and four predictive models. The first three attacking methods directly permute the activities of the historically observed business process executions. The fourth method constrains the adversarial examples to lie within the same data distribution as the original instances, by projecting the adversarial examples to the original data distribution.
• Abstract（参考訳）: 予測過程モニタリングでは、入力摂動が誤った予測につながるような敵攻撃に対して予測モデルは脆弱である。 これらの摂動が人間の目では認識できないように設計されているコンピュータビジョンとは異なり、予測プロセス監視における敵の例の生成は、ユニークな課題をもたらす。 アクティビティシーケンスの小さな変更は、規制ルールやプロセスの制約といった基本的な制約のために、不可能あるいは不可能なシナリオを発生させる可能性がある。 これを解決するために、我々は、コンピュータビジョンの敵攻撃でよく見られる、知覚不能なピクセルレベルの変化とは対照的に、ビジネスプロセスのコンテキストに合わせた現実的な敵の例を生成することに重点を置いている。 本稿では,入力属性を直接変更するのではなく,入力データの潜在空間表現に雑音を加えることによって,敵を発生させる2つの新しい潜時空間攻撃を提案する。 これらの潜在空間メソッドはドメインに依存しず、ビジネスプロセス実行の潜在空間表現を直接摂動することにより、学習したクラス固有のデータ分散に対する敵対的な例の生成を制限するため、プロセス固有の知識に依存しない。 我々は,この2つの潜時空間法を,11個の実時間イベントログと4つの予測モデルに対して,他の6つの逆攻撃法を用いて評価した。 最初の3つの攻撃方法は、歴史的に観察されたビジネスプロセス実行のアクティビティを直接パーミュレートする。 第4の方法は、逆例を元のデータ分布に投影することにより、元のデータ分布と同じデータ分布内にある敵例を制約する。

関連論文リスト

• Achieving Group Fairness through Independence in Predictive Process Monitoring [0.0]
  予測プロセス監視は、特定のケースの結果を予測するなど、進行中のプロセス実行の将来の状態を予測することに焦点を当てる。 近年,この領域における機械学習モデルの適用は科学的な注目を集めている。 この研究は、独立性の調査による予測プロセス監視におけるグループフェアネス、すなわち、センシティブなグループメンバーシップによる予測が影響を受けないことを保証する。
  論文  参考訳（メタデータ） (2024-12-06T10:10:47Z)
• 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)
• Generating Feasible and Plausible Counterfactual Explanations for Outcome Prediction of Business Processes [45.502284864662585]
  データ駆動型アプローチであるREVISEDplusを導入し、妥当な対実的説明を生成する。 まず, プロセスデータの高密度領域内に存在する反ファクトデータを生成するために, 反ファクトアルゴリズムを限定する。 また、プロセスケースにおけるアクティビティ間のシーケンシャルなパターンを学習することで、妥当性を保証します。
  論文  参考訳（メタデータ） (2024-03-14T09:56:35Z)
• SA-Attack: Improving Adversarial Transferability of Vision-Language Pre-training Models via Self-Augmentation [56.622250514119294]
  ホワイトボックスの敵攻撃とは対照的に、転送攻撃は現実世界のシナリオをより反映している。 本稿では,SA-Attackと呼ばれる自己拡張型転送攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T09:08:50Z)
• Uncertainty-based Detection of Adversarial Attacks in Semantic Segmentation [16.109860499330562]
  本稿では,セマンティックセグメンテーションにおける敵攻撃検出のための不確実性に基づくアプローチを提案する。 本研究は,複数種類の敵対的攻撃を対象とする摂動画像の検出能力を示す。
  論文  参考訳（メタデータ） (2023-05-22T08:36:35Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• NaturalAdversaries: Can Naturalistic Adversaries Be as Effective as Artificial Adversaries? [61.58261351116679]
  自然言語理解タスクのための2段階の逆例生成フレームワーク(NaturalAdversaries)を提案する。 モデルパラメータへのアクセスレベルに基づいて、ブラックボックスとホワイトボックスの双方に適応可能である。 以上の結果から,これらの対立はドメイン全体にわたって一般化され,ニューラルネットワーク分類モデルの堅牢性向上に向けた今後の研究への洞察が得られた。
  論文  参考訳（メタデータ） (2022-11-08T16:37:34Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Improving White-box Robustness of Pre-processing Defenses via Joint Adversarial Training [106.34722726264522]
  対向騒音の干渉を軽減するため,様々な対向防御技術が提案されている。 プレプロセス法は、ロバストネス劣化効果に悩まされることがある。 この負の効果の潜在的な原因は、敵の訓練例が静的であり、前処理モデルとは独立していることである。 本稿では,JATP(Joint Adversarial Training Based Pre-processing)防衛法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T01:45:32Z)
• Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances [0.440401067183266]
  本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 本稿では,本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。
  論文  参考訳（メタデータ） (2020-07-15T08:58:15Z)

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。