論文の概要: Inverting Neural Networks: New Methods to Generate Neural Network Inputs from Prescribed Outputs

• arxiv url: http://arxiv.org/abs/2603.20461v2
• Date: Tue, 24 Mar 2026 14:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 15:07:29.98465
• Title: Inverting Neural Networks: New Methods to Generate Neural Network Inputs from Prescribed Outputs
• Title（参考訳）: ニューラルネットワークの反転: 入力された出力からニューラルネットワークを生成する新しい方法
• Authors: Rebecca Pattichis, Sebastian Janampa, Constantinos S. Pattichis, Marios S. Pattichis,
• Abstract要約: 本稿では,特定のニューラルネットワーククラスにマッピングされる入力画像を決定する際の逆問題について検討する。 フォワードパス法では、入力画像に対するルートフィンディングアルゴリズムとヤコビアンに基づく逆法を開発する。 提案手法は,全ての場合において,ほぼ完全な分類スコアが得られるランダムな入力画像を生成することができることを示す。
• 参考スコア（独自算出の注目度）: 2.507823797397027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network systems describe complex mappings that can be very difficult to understand. In this paper, we study the inverse problem of determining the input images that get mapped to specific neural network classes. Ultimately, we expect that these images contain recognizable features that are associated with their corresponding class classifications. We introduce two general methods for solving the inverse problem. In our forward pass method, we develop an inverse method based on a root-finding algorithm and the Jacobian with respect to the input image. In our backward pass method, we iteratively invert each layer, at the top. During the inversion process, we add random vectors sampled from the null-space of each linear layer. We demonstrate our new methods on both transformer architectures and sequential networks based on linear layers. Unlike previous methods, we show that our new methods are able to produce random-like input images that yield near perfect classification scores in all cases, revealing vulnerabilities in the underlying networks. Hence, we conclude that the proposed methods provide a more comprehensive coverage of the input image spaces that solve the inverse mapping problem.
• Abstract（参考訳）: ニューラルネットワークシステムは、理解するのが非常に難しい複雑なマッピングを記述する。 本稿では,特定のニューラルネットワーククラスにマッピングされる入力画像を決定する際の逆問題について検討する。 最終的に、これらの画像には、対応するクラス分類に関連付けられた認識可能な特徴が含まれていることを期待する。 本稿では,逆問題の解法を2つ紹介する。 フォワードパス法では、入力画像に対するルートフィンディングアルゴリズムとヤコビアンに基づく逆法を開発する。 後方通過法では、各層を上から反復反転させる。 逆過程の間、各線形層のヌル空間からサンプリングされたランダムベクトルを加算する。 線形層に基づくトランスアーキテクチャとシーケンシャルネットワークの両方に関する新しい手法を実証する。 従来の手法と異なり,本手法では,全てのケースにおいて完全分類スコアに近いランダムな入力画像を生成することができ,基盤となるネットワークの脆弱性を明らかにすることができる。 そこで,提案手法は,逆写像問題を解くために,入力画像空間をより包括的に網羅する。

関連論文リスト

• BALI: Learning Neural Networks via Bayesian Layerwise Inference [6.7819070167076045]
  我々はベイズニューラルネットワークを学習し,それを多変量ベイズ線形回帰モデルのスタックとして扱う新しい手法を提案する。 主なアイデアは、各レイヤの目標出力を正確に知っていれば、階層的に後方に推論することである。 これらの擬似ターゲットをフォワードパスから出力する層として定義し、対象関数のバックプロパゲーションによって更新する。
  論文  参考訳（メタデータ） (2024-11-18T22:18:34Z)
• Understanding Neural Network Systems for Image Analysis using Vector Spaces and Inverse Maps [2.5979734944486648]
  本稿では,信号空間間のマップとしてニューラルネットワーク層をモデル化するためのLinear Algebraの手法を紹介する。 本研究では,特定の出力を出力する入力画像の計算にベクトル空間を用いた可逆ネットワークについて検討する。
  論文  参考訳（メタデータ） (2024-02-01T01:11:15Z)
• An Analytical Approach to Compute the Exact Preimage of Feed-Forward Neural Networks [0.0]
  本研究では,任意のフィードフォワードニューラルネットワークにおいて,隠蔽層に対して線形あるいは一方向に線形に活性化する関数を正確に計算する手法を提案する。 他のメソッドとは対照的に、このメソッドはユニークな出力に対してユニークなソリューションを返すのではなく、解析的に全体と正確な事前イメージを返す。
  論文  参考訳（メタデータ） (2022-02-28T18:12:04Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。