文献

J-GLOBAL ID：202102253457387539   整理番号：21A0581888

敵対的サンプルに頑健な特徴表現の性質の分析

Property Analysis of Adversarially Robust Representation

著者 (4件)： 福原吉博 (早稲田大学) ,  板摺貴大 (早稲田大学) ,  片岡裕雄 (産業技術総合研究所) ,  森島繁生 (早稲田大学理工学総合研究所)
資料名： 精密工学会誌(Web)  (Journal of the Japan Society for Precision Engineering (Web))
巻： 87  号： 1  ページ： 83-91(J-STAGE)  発行年： 2021年 
JST資料番号： U0462A  ISSN： 1882-675X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本論文は,「敵対的に堅牢なモデルは何を見ているのか?」という未解決の質問に対処する。最近,多くの研究で,標準の精度と敵対的なロバスト性の間にトレードオフが存在することが報告されている。以前の研究によると,このトレードオフは,敵対的に堅牢で標準的な正確なモデルが非常に異なる機能のセットに依存する可能性があるという事実に基づいている。しかし,どのような種類の差異が実際に存在するかはよく研究されていない。本論文では,視覚的および定量的に様々な実験によりこの違いを解析した。実験結果は,敵対的ロバストモデルが標準モデルよりも大規模で,細かいテクスチャにあまり注目を払わないことを示している。さらに,敵対的にロバストな特徴が標準精度と両立しないと主張されているが,特に低解像度データセットにおいて,事前訓練モデルとしてそれらを用いることにより,正の効果さえある。(翻訳著者抄録)

シソーラス用語： *コンピュータビジョン ,  ニューラルネットワーク ,  精度 ,  ロバスト性 ,  画像認識
準シソーラス用語： ディープニューラルネットワーク

著者キーワード (10件)： 敵対的ロバスト性 ,  ロバストな表現 ,  精度とロバスト性の間のトレードオフ ,  解釈可能性 ,  敵対の例 ,  敵対的ロバスト性 ,  ロバストな表現 ,  精度とロバスト性の間のトレードオフ ,  解釈可能性 ,  敵対の例

分類 (1件)： パターン認識  (JE07000S)

引用文献 (66件)：

• 1) Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun: Deep Residual Learning for Image Recognition, Proceedings IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2016) 770.
• 2) Sergey Zagoruyko and Nikos Komodakis: Wide Residual Networks, Proceedings of the British Machine Vision Conference (BMVC), (2016) 87.
• 3) Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, and Zbigniew Wojna: Rethinking the Inception Architecture for Computer Vision, Proceedings IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2016) 2818.
• 4) Fisher Yu, Vladlen Koltun, and Thomas Funkhouser: Dilated Residual Networks, Proceedings IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2017) 636.
• 5) Christian Szegedy, Wojciech Zaremba, Ilya Sutskever, Joan Bruna, Dumitru Erhan, Ian Goodfellow, and Rob Fergus: Intriguing properties of neural networks, Proceedings of the International Conference on Learning Representations (ICLR), (2014).

タイトルに関連する用語 (5件)： 敵対 ,  サンプル ,  特徴表現 ,  性質 ,  分析