論文の概要: MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2511.01352v1
• Date: Mon, 03 Nov 2025 08:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.183659
• Title: MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks
• Title（参考訳）: MiniFool -- ディープニューラルネットワークにおける物理制約を考慮した最小化器による敵攻撃
• Authors: Lucie Flek, Oliver Janik, Philipp Alexander Jung, Akbar Karimi, Timo Saala, Alexander Schmidt, Matthias Schott, Philipp Soldin, Matthias Thiesmeyer, Christopher Wiebusch, Ulrich Willemsen,
• Abstract要約: MiniFoolは、粒子物理学と天体物理学におけるニューラルネットワークに基づく分類タスクをテストするために、物理にインスパイアされた敵攻撃を実装している。 このアルゴリズムは、$chi2$ベースのテスト統計値と、所望の目標スコアからの偏差を組み合わせたコスト関数の最小化に基づいている。
• 参考スコア（独自算出の注目度）: 37.35783762810649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a new algorithm, MiniFool, that implements physics-inspired adversarial attacks for testing neural network-based classification tasks in particle and astroparticle physics. While we initially developed the algorithm for the search for astrophysical tau neutrinos with the IceCube Neutrino Observatory, we apply it to further data from other science domains, thus demonstrating its general applicability. Here, we apply the algorithm to the well-known MNIST data set and furthermore, to Open Data data from the CMS experiment at the Large Hadron Collider. The algorithm is based on minimizing a cost function that combines a $\chi^2$ based test-statistic with the deviation from the desired target score. The test statistic quantifies the probability of the perturbations applied to the data based on the experimental uncertainties. For our studied use cases, we find that the likelihood of a flipped classification differs for both the initially correctly and incorrectly classified events. When testing changes of the classifications as a function of an attack parameter that scales the experimental uncertainties, the robustness of the network decision can be quantified. Furthermore, this allows testing the robustness of the classification of unlabeled experimental data.
• Abstract（参考訳）: 本稿では,粒子・天体物理学におけるニューラルネットワークに基づく分類タスクをテストするために,物理にインスパイアされた敵攻撃を実装した新しいアルゴリズムMiniFoolを提案する。 我々は当初、アイスキューブニュートリノ天文台で天体物理学的なタウニュートリノを探索するためのアルゴリズムを開発したが、他の科学領域からのさらなるデータに適用し、その汎用性を実証した。 本稿では、このアルゴリズムをよく知られたMNISTデータセットに適用し、さらに、Large Hadron ColliderにおけるCMS実験のオープンデータデータに適用する。 このアルゴリズムは、$\chi^2$ベースのテスト統計値と所望の目標スコアからの偏差を組み合わせたコスト関数の最小化に基づいている。 テスト統計は、実験的な不確実性に基づいて、データに適用される摂動の確率を定量化する。 本研究の応用例では,初回分類と誤分類の両方について,フリップ分類の可能性が異なることが判明した。 実験的な不確実性をスケールする攻撃パラメータの関数としての分類の変更をテストする際に、ネットワーク決定の堅牢性を定量化することができる。 さらに、未ラベルの実験データの分類の堅牢性をテストすることができる。

関連論文リスト

• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Uncertainty Measurement of Deep Learning System based on the Convex Hull of Training Sets [0.13265175299265505]
  本研究では,訓練データの凸殻に基づくトレーニングモデルの不確実性を測定するTo-hull Uncertainity and Closure Ratioを提案する。 学習したデータの凸船体と見えないサンプルとの間の位置関係を観察し、サンプルが凸船体からどのように外挿されているかを推測することができる。
  論文  参考訳（メタデータ） (2024-05-25T06:25:24Z)
• Goodness of fit by Neyman-Pearson testing [1.000352363234953]
  仮説テストのためのナイマン・ピアソンの戦略は、データから代替仮説が選択された場合に適合する。 高エネルギー物理コライダー実験における新しい物理効果の検出を目的とした新しい物理学習機械(NPLM)法が開発されている。 NPLMは、予想される分布からのデータの小さな離脱に対するより敏感なテストとして現れ、特定の種類の異常を検出するには偏らない。
  論文  参考訳（メタデータ） (2023-05-23T15:01:45Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly Detection in Multivariate Time Series [0.0]
  ベイジアン状態空間異常検出(BSSAD)と呼ばれる新しい,革新的な異常検出手法を提案する。 提案手法の設計は,ベイズ状態空間アルゴリズムの次の状態予測における強みと,繰り返しニューラルネットワークとオートエンコーダの有効性を組み合わせたものである。 特に,粒子フィルタとアンサンブルカルマンフィルタのベイズ状態空間モデルの利用に着目する。
  論文  参考訳（メタデータ） (2023-01-30T16:21:18Z)
• Deep Learning with Nonsmooth Objectives [0.0]
  人工ニューラルネットワークのトレーニングにおける最大ノルムに基づく非滑らかな損失関数の利用の可能性を探る。 トレーニングデータが非常に小さいか、バランスの取れていない特別な場合において、このことが優れた分類結果をもたらす可能性があると推測する。
  論文  参考訳（メタデータ） (2021-07-14T02:01:53Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Statistical model-based evaluation of neural networks [74.10854783437351]
  ニューラルネットワーク(NN)の評価のための実験装置を開発する。 このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。 これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
  論文  参考訳（メタデータ） (2020-11-18T00:33:24Z)
• Unsupervised Learning for Identifying Events in Active Target Experiments [1.4174475093445236]
  本稿では、アクティブターゲット検出器におけるイベント分離問題に対する教師なし機械学習手法の新たな応用について述べる。 包括的な目標は、データ分析の初期段階で同様のイベントをグループ化し、不必要なイベントの計算に高価な処理を制限することで効率を向上させることである。
  論文  参考訳（メタデータ） (2020-08-06T16:49:39Z)

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。