論文の概要: Robustness of neural networks to random noise perturbations of their inputs

• arxiv url: http://arxiv.org/abs/2606.31581v1
• Date: Tue, 30 Jun 2026 12:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.212944
• Title: Robustness of neural networks to random noise perturbations of their inputs
• Title（参考訳）: 入力のランダムノイズ摂動に対するニューラルネットワークのロバスト性
• Abstract要約: 入力値の摂動に対するトレーニングニューラルネットワークの堅牢性について検討する。 本稿では,ネットワークの平均二乗誤差の上限を示すロバスト性尺度を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the problem of the robustness of a trained neural network to the perturbation of its input values. More specifically, we examine the interplay between the accuracy of the network, as measured by the mean squared error, and robustness. Accordingly, we present a robustness measure, which, with high probability, suggests an upper bound on the mean squared error of the network, with respect to an input data set, for a given perturbation of the input values of the network. The measure we propose is both simple and efficient to compute, treating the neural network as a black box. We provide experimental results on several real-world data sets showing the efficacy of the proposed method. We also introduce the concept of robustness curves, which allows us to further analyse robustness within and between data sets.
• Abstract（参考訳）: 入力値の摂動に対するトレーニングニューラルネットワークの堅牢性の問題について検討する。 具体的には、平均二乗誤差によって測定されたネットワークの精度とロバスト性の間の相互作用について検討する。 そこで我々は,ネットワークの入力値の所定の摂動に対する入力データセットに対して,ネットワークの平均二乗誤差の上限を高い確率で提案するロバストネス尺度を提案する。 提案する尺度は単純かつ効率的に計算でき、ニューラルネットワークをブラックボックスとして扱う。 提案手法の有効性を示す実世界のデータセットについて実験を行った。 また、ロバストネス曲線の概念を導入し、データセット内およびデータ間のロバストネスを解析できるようにします。

関連論文リスト

• Robustness of Deep ReLU Networks to Misclassification of High-Dimensional Data [0.0]
  入力の小さな加法的ランダム摂動が誤分類をもたらす確率を定量化することにより、与えられたネットワーク入力における局所ロバスト性を分析する。 整合線形単位を持つディープネットワークでは、入力次元とネットワーク単位の総数の観点から局所ロバスト性に対する低い境界を導出する。
  論文  参考訳（メタデータ） (2026-02-21T00:55:47Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• CNN-based Prediction of Network Robustness With Missing Edges [0.9239657838690227]
  部分的なネットワーク情報が欠落している場合、CNNによる接続性および制御可能性予測の性能について検討する。 しきい値として、7.29%以上の情報が失われれば、CNNベースの予測の性能は著しく劣化する。
  論文  参考訳（メタデータ） (2022-08-25T03:36:20Z)
• On the Robustness and Anomaly Detection of Sparse Neural Networks [28.832060124537843]
  スパシティーによってネットワークがより堅牢になり、異常検知がより良くなることを示す。 また, 構造的疎水性は, 高価なロバスト性および検出方法の複雑さを低減するのに大いに有効であることを示す。 本稿では,適切な刈り取り法から得られた重みの感度を利用して異常サンプルを検出する新しい手法であるSensNormを紹介する。
  論文  参考訳（メタデータ） (2022-07-09T09:03:52Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• Towards Robust Neural Networks via Close-loop Control [12.71446168207573]
  深層ニューラルネットワークは、ブラックボックスの性質のため、様々な摂動に弱い。 近年の研究では、入力データが知覚不可能な量で摂動しても、ディープニューラルネットワークがデータを誤分類できることが示されている。
  論文  参考訳（メタデータ） (2021-02-03T03:50:35Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。