論文の概要: Attack Assessment and Augmented Identity Recognition for Human Skeleton Data

• arxiv url: http://arxiv.org/abs/2603.24232v1
• Date: Wed, 25 Mar 2026 12:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.280977
• Title: Attack Assessment and Augmented Identity Recognition for Human Skeleton Data
• Title（参考訳）: ヒト骨格データに対するアタックアセスメントと強化されたアイデンティティ認識
• Abstract要約: セキュリティアプリケーションのための小さなデータセットでトレーニングされた機械学習モデルは、特に敵の攻撃に対して脆弱である。 我々は,Skeletonsフレームワークのアセスメントと拡張されたアイデンティティ認識に新たに追加されたAttack-AAIRSを提案する。 アタック-AAIRSの10倍のクロス検証は、目に見えない攻撃に対するロバスト性を高める。
• 参考スコア（独自算出の注目度）: 35.67654909088447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models trained on small data sets for security applications are especially vulnerable to adversarial attacks. Person identification from LiDAR based skeleton data requires time consuming and expensive data acquisition for each subject identity. Recently, Assessment and Augmented Identity Recognition for Skeletons (AAIRS) has been used to train Hierarchical Co-occurrence Networks for Person Identification (HCN-ID) with small LiDAR based skeleton data sets. However, AAIRS does not evaluate robustness of HCN-ID to adversarial attacks or inoculate the model to defend against such attacks. Popular perturbation-based approaches to generating adversarial attacks are constrained to targeted perturbations added to real training samples, which is not ideal for inoculating models with small training sets. Thus, we propose Attack-AAIRS, a novel addition to the AAIRS framework. Attack-AAIRS leverages a small real data set and a GAN generated synthetic data set to assess and improve model robustness against unseen adversarial attacks. Rather than being constrained to perturbations of limited real training samples, the GAN learns the distribution of adversarial attack samples that exploit weaknesses in HCN-ID. Attack samples drawn from this distribution augment training for inoculation of the HCN-ID to improve robustness. Ten-fold cross validation of Attack-AAIRS yields increased robustness to unseen attacks- including FGSM, PGD, Additive Gaussian Noise, MI-FGSM, and BIM. The HCN-ID Synthetic Data Quality Score for Attack-AAIRS indicates that generated attack samples are of similar quality to the original benign synthetic samples generated by AAIRS. Furthermore, inoculated models show consistent final test accuracy with the original model trained on real data, demonstrating that our method improves robustness to adversarial attacks without reducing test performance on real data.
• Abstract（参考訳）: セキュリティアプリケーションのための小さなデータセットでトレーニングされた機械学習モデルは、特に敵の攻撃に対して脆弱である。 LiDARベースのスケルトンデータからの人物識別には、各被写体識別に要する時間と費用のかかるデータ取得が必要である。 近年,個人識別のための階層的共起ネットワーク (HCN-ID) をLiDARベースのスケルトンデータセットで訓練するために,スケルトンに対するアセスメントと拡張されたアイデンティティ認識 (AAIRS) が用いられている。 しかし、AAIRSは敵攻撃に対するHCN-IDの堅牢性を評価していない。 敵対的攻撃を発生させる一般的な摂動に基づくアプローチは、実際のトレーニングサンプルに追加される標的摂動に制約されるが、これは小さなトレーニングセットでモデルに接種するには理想的ではない。 そこで我々は,AAIRSフレームワークの新たな追加であるAttack-AAIRSを提案する。 アタック-AAIRSは、小さな実際のデータセットとGAN生成した合成データセットを活用して、目に見えない敵攻撃に対するモデルロバスト性を評価し改善する。 GANは、限られた実際の訓練サンプルの摂動に制約されるのではなく、HCN-IDの弱点を利用する敵の攻撃サンプルの分布を学習する。 HCN-IDを接種してロバスト性を向上させるために, この分布増強訓練から引き出された攻撃試料について検討した。 アタック-AAIRSの10倍のクロス検証は、FGSM、PGD、加算ガウスノイズ、MI-FGSM、BIMなどの目に見えない攻撃に対して堅牢性を高める。 HCN-ID Synthetic Data Quality Score for Attack-AAIRSでは、生成した攻撃サンプルは、AAIRSが生成した元の良質な合成サンプルと類似していることを示す。 さらに, 本手法は, 実データ上での試験性能を低下させることなく, 敵攻撃に対するロバスト性を向上することを示した。

関連論文リスト

• Embedding-Space Data Augmentation to Prevent Membership Inference Attacks in Clinical Time Series Forecasting [6.217506701223212]
  我々は、データ拡張がTSFモデルにおけるメンバーシップ推論攻撃(MIA)を緩和する方法について述べる。 主な課題は、攻撃者を混乱させるために、元のトレーニングデータによく似た合成サンプルを生成することである。 実験の結果,ZOO-PCAは試験データの性能を犠牲にすることなく,MIA攻撃に対するTPR/FPR比を最大に低下させることがわかった。
  論文  参考訳（メタデータ） (2025-11-07T14:49:18Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• DALA: A Distribution-Aware LoRA-Based Adversarial Attack against Language Models [64.79319733514266]
  敵攻撃は入力データに微妙な摂動をもたらす可能性がある。 最近の攻撃方法は比較的高い攻撃成功率(ASR)を達成することができる。 そこで本研究では,分散ロラをベースとしたDALA(Adversarial Attack)手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T23:43:47Z)
• Membership Inference Attacks against Language Models via Neighbourhood Comparison [45.086816556309266]
  メンバーシップ推論攻撃(MIA)は、機械学習モデルのトレーニングデータにデータサンプルが存在するかどうかを予測することを目的としている。 近年の研究では、類似データに基づいてトレーニングされた参照モデルとモデルスコアを比較した参照ベースの攻撃は、MIAの性能を大幅に向上することを示した。 より現実的なシナリオでそれらの性能を調査し、参照モデルのトレーニングに使用されるデータ分布に関して非常に脆弱であることを示す。
  論文  参考訳（メタデータ） (2023-05-29T07:06:03Z)
• Identifying Adversarially Attackable and Robust Samples [1.4213973379473654]
  アドリアックは、入力サンプルに小さな、知覚不能な摂動を挿入し、ディープラーニングモデルの出力に大きな、望ましくない変化を引き起こす。 本研究は, 対人攻撃に最も影響を受けやすいサンプルを同定することを目的とした, サンプル攻撃可能性の概念を紹介する。 本研究では,未知のターゲットモデルに対する未知のデータセットにおいて,逆攻撃可能で頑健なサンプルを識別するディープラーニングベースの検出器を提案する。
  論文  参考訳（メタデータ） (2023-01-30T13:58:14Z)
• 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)

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。