文献

J-GLOBAL ID：201802248615392905   整理番号：18A1907696

回避攻撃に対する敵対的MRMR【JST・京大機械翻訳】

Adversarial mRMR against Evasion Attacks

著者 (2件)： Wu Miaomiao (School of Computer Science and Technology, Nanjing University of Posts and Telecommunications, Nanjing, China) ,  Li Yun (School of Computer Science and Technology, Nanjing University of Posts and Telecommunications, Nanjing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IJCNN  ページ： 1-6  発行年： 2018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： 機械学習(ML)アルゴリズムは,多くのセキュリティに敏感な応用のための良い解決策を提供するが,しかし,それらは,それら自身が敵攻撃の脅威に直面している。機械学習における重要な問題として,これらの攻撃に対するロバストな特徴選択アルゴリズムを設計する方法がホットな問題になっている。防御回避攻撃に関する現在の研究は,主に,分類アルゴリズムに依存するWAFs,および時間コストが大規模データに対して非常に高い,ラップされた敵の特徴選択アルゴリズムに焦点を合わせている。mRMR(最小冗長性と最大信頼性)アルゴリズムは,特徴選択プロセスの間に分類器を考慮することなく,特徴選択のための最も一般的なフィルタアルゴリズムの1つである。本論文において,著者らは,FAFSと呼ばれるmRMRに基づくフィルタモデルの下で,新しい敵認識特徴選択アルゴリズムを提案した。一方,アルゴリズムは,単一特徴とラベルの間の相関,および特徴間の冗長性を考慮した。一方,特徴を選択するとき,攻撃のない場合の一般化能力を考慮するだけでなく,攻撃下のロバスト性も考慮する。4つのアルゴリズムの性能,すなわち,mRMR,TWFS(伝統的加重特徴選択アルゴリズム),WAFs,およびFAFSを,パーフェクト知識攻撃シナリオにおけるスパムフィルタリングとPDF悪意検出に関して評価した。実験結果は,FAFSには,より少ない時間複雑性と同等の分類精度で,回避攻撃の下でより良い性能があるのを示している。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 機械学習 ,  *アルゴリズム ,  特徴選択 ,  フィルタ ,  信頼性 ,  セキュリティ ,  冗長性 ,  ロバスト性
準シソーラス用語： 分類精度 ,  複雑性 ,  スパムフィルタ ,  加重 ,  大規模データ ,  分類アルゴリズム ,  防衛 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 回避 ,  攻撃 ,  敵対