文献

J-GLOBAL ID：201702235826973411   整理番号：17A1257394

深学習モデルを用いた敵対的学習ゲーム【Powered by NICT】

Adversarial learning games with deep learning models

著者 (2件)： Chivukula Aneesh Sreevallabh (Advanced Analytics Institute, University of Technology Sydney, Australia) ,  Liu Wei (Advanced Analytics Institute, University of Technology Sydney, Australia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 2758-2767  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層学習はデータ分布の変化に対して脆弱であることが分かった。これは訓練データからのβ-アミラーゼよりと計り知れないほど小さな差を持つことを入力は深い学習における完全に異なるクラスラベルに対応していることを意味している。畳込みニューラルネットワーク(CNN)のような既存の深層学習ネットワークは敵対的例に対して脆弱である。は一般的に教師つき学習,特にCNNのための敵対的学習アルゴリズムを設計した。敵対的例は,深い学習の性能に関するゲーム理論的定式化により生成される。ゲームでは,インテリジェント敵対者と深層学習モデルの間の相互作用は,確率的ペイオフ関数を持つ二人の連続非協力Stackelbergゲームである。Stackelbergゲームはは逸脱に学習者または敵の誘因ではない戦略(学習量と遺伝的操作)の対であるNash均衡によって解いた。アルゴリズム性能はMNIST手書き数字データに異なる戦略空間の下で評価した。Nash均衡がその後の敵対的データ操作にロバストな解をもたらすことを示した。結果は,ゲーム理論と確率的最適化アルゴリズムは,深い学習モデルにおける性能脆弱性を研究するために使用できることを示唆した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *学習 ,  *ゲーム ,  畳込み ,  相互作用 ,  学習アルゴリズム ,  ニューラルネットワーク ,  *学習モデル ,  Nash均衡 ,  ネットワーク ,  ロバスト性 ,  ゲーム理論 ,  教師つき学習
準シソーラス用語： Stackelbergゲーム ,  深層学習 ,  *敵意 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 学習モデル ,  敵対的学習 ,  ゲーム