論文の概要: Stop Walking in Circles! Bailing Out Early in Projected Gradient Descent
- arxiv url: http://arxiv.org/abs/2503.19347v1
- Date: Tue, 25 Mar 2025 04:51:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:52:51.290824
- Title: Stop Walking in Circles! Bailing Out Early in Projected Gradient Descent
- Title(参考訳): 円で歩くのをやめる! 投影されたグラディエントな輝きを早めに放つ
- Authors: Philip Doldo, Derek Everett, Amol Khanna, Andre T Nguyen, Edward Raff,
- Abstract要約: 本稿では,周期検出に基づくPGD (Projected Gradient Descent) の早期終了手法を提案する。
この手法は攻撃強度を犠牲にすることなくPGDを大幅に高速化し、これまで計算的に難解だったロバスト性の評価を可能にした。
- 参考スコア(独自算出の注目度): 34.255047514441195
- License:
- Abstract: Projected Gradient Descent (PGD) under the $L_\infty$ ball has become one of the defacto methods used in adversarial robustness evaluation for computer vision (CV) due to its reliability and efficacy, making a strong and easy-to-implement iterative baseline. However, PGD is computationally demanding to apply, especially when using thousands of iterations is the current best-practice recommendation to generate an adversarial example for a single image. In this work, we introduce a simple novel method for early termination of PGD based on cycle detection by exploiting the geometry of how PGD is implemented in practice and show that it can produce large speedup factors while providing the \emph{exact} same estimate of model robustness as standard PGD. This method substantially speeds up PGD without sacrificing any attack strength, enabling evaluations of robustness that were previously computationally intractable.
- Abstract(参考訳): L_\infty$ ball の射影勾配 Descent (PGD) は、その信頼性と有効性からコンピュータビジョン(CV)の対向ロバスト性評価に使用されるデファクト手法の1つとなり、強力で実装が容易な反復的ベースラインとなっている。
しかし、PGDは適用を計算的に要求しており、特に数千回繰り返しを使用する場合、単一の画像の逆例を生成するのが現在のベストプラクティスである。
本研究では,サイクル検出に基づくPGDの早期終了手法を提案する。この手法は,PGDが実際にどのように実装されているかの幾何学を利用して,標準PGDと同じモデルロバスト性の推定値を提供しながら,大きなスピードアップ因子を生成可能であることを示す。
この手法は攻撃強度を犠牲にすることなくPGDを実質的に高速化し、従来計算可能であった堅牢性の評価を可能にした。
関連論文リスト
- Low-Rank Adversarial PGD Attack [4.8060720224247735]
Projected Gradient Descentはコンピュータビジョンにおいて広く採用されている手法である。
低ランク攻撃を効率的に計算するPGDのバリエーションを提案する。
低ランクのPGDは、従来のフルランクのPGD攻撃と互換性があり、時には相容れない。
論文 参考訳(メタデータ) (2024-10-16T14:24:51Z) - Policy Gradient with Active Importance Sampling [55.112959067035916]
政策勾配法(PG法)はISの利点を大いに生かし、以前に収集したサンプルを効果的に再利用することができる。
しかし、ISは歴史的サンプルを再重み付けするための受動的ツールとしてRLに採用されている。
我々は、政策勾配のばらつきを減らすために、サンプルを収集する最良の行動ポリシーを模索する。
論文 参考訳(メタデータ) (2024-05-09T09:08:09Z) - Revisiting and Advancing Fast Adversarial Training Through The Lens of
Bi-Level Optimization [60.72410937614299]
提案手法は,2レベルAT(FAST-BAT)と呼ばれる新しいアルゴリズムセットの設計と解析である。
FAST-BATは、グラデーションサインメソッドや明示的なロバスト正規化を呼ぶことなく、符号ベースの投射降下(PGD)攻撃を防御することができる。
論文 参考訳(メタデータ) (2021-12-23T06:25:36Z) - Boosting Fast Adversarial Training with Learnable Adversarial
Initialization [79.90495058040537]
対人訓練(AT)は、対人訓練の例を活用することにより、モデルロバスト性を改善するのに有効であることが示されている。
トレーニング効率を向上させるため,高速AT法では1回だけ勾配を計算することにより高速勾配符号法(FGSM)が採用されている。
論文 参考訳(メタデータ) (2021-10-11T05:37:00Z) - Robust Single-step Adversarial Training with Regularizer [11.35007968593652]
本稿では,PGD正規化を用いた高速勾配符号法(FGSMPR)を提案する。
実験により,提案手法はFGSM対向学習を用いたL$_infty$-perturbationsのための頑健な深層ネットワークを訓練可能であることが示された。
論文 参考訳(メタデータ) (2021-02-05T19:07:10Z) - Toward Few-step Adversarial Training from a Frequency Perspective [0.0]
周波数領域から見た逆サンプル生成法について検討する。
標準の$l_infty$ Projected Gradient Descent (PGD) を周波数領域に拡張する。
提案手法はSPGD (Spectral Projected Gradient Descent) と呼ばれ,早期段階におけるPGDよりも良好な成功率を示す。
論文 参考訳(メタデータ) (2020-10-13T16:53:47Z) - Regularly Updated Deterministic Policy Gradient Algorithm [11.57539530904012]
本稿では,これらの問題に対する規則更新決定性(RUD)ポリシー勾配アルゴリズムを提案する。
本稿では,RUDを用いた学習手法が,従来の手法よりもリプレイバッファに新たなデータを活用することができることを理論的に証明する。
論文 参考訳(メタデータ) (2020-07-01T01:18:25Z) - Zeroth-order Deterministic Policy Gradient [116.87117204825105]
ゼロ階決定主義政策グラディエント(ZDPG)を紹介する。
ZDPGは、$Q$関数の2点評価によりポリシー逆勾配を近似する。
ZDPGの新たな有限サンプル複雑性境界は、既存の結果を最大2桁改善する。
論文 参考訳(メタデータ) (2020-06-12T16:52:29Z) - Zeroth-Order Supervised Policy Improvement [94.0748002906652]
政策勾配(PG)アルゴリズムは強化学習(RL)に広く用いられている。
ゼロ次監視政策改善(ZOSPI)を提案する。
ZOSPIは、PGメソッドの局所的な利用を保ちながら、推定値関数を全世界で$Q$で活用する。
論文 参考訳(メタデータ) (2020-06-11T16:49:23Z)
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。