文献

J-GLOBAL ID：201902252877370089   整理番号：19A1191771

敵対例に対するロバスト性のための敵対的ミニマックス訓練【JST・京大機械翻訳】

Adversarial Minimax Training for Robustness Against Adversarial Examples

著者 (2件)： Komiyama Ryota (Interdisciplinary Graduate School of Medicine, Engineering and Agriculture, University of Yamanashi, Kofu, Yamanashi, Japan) ,  Hattori Motonobu (Interdisciplinary Graduate School of Medicine, Engineering and Agriculture, University of Yamanashi, Kofu, Yamanashi, Japan)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11302  ページ： 690-699  発行年： 2018年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文において,筆者らは,敵の例に対するロバスト性を改善するための新しい方法を提案した。従来の方法では,敵の例に対する対策を行うために,特定の方法で生成された敵の例を用いて分類器を学習する。しかし,この方法は限られたタイプの敵の例に対してのみ防御できる。提案した方法では,広い範囲の対抗例を扱うために,発電機ネットワークと分類器ネットワークの2つのネットワークを用いた。発電機ネットワークはノイズを発生させて,敵の例を作り,分類器ネットワークは敵の例を学習することによってロバスト性を獲得する。計算機シミュレーション結果により,提案方法は,従来の敵の訓練方法よりブラックボックス攻撃において,いくつかの異なる方法によって生成された敵の例に対して,よりロバストであることを示した。Copyright 2018 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  雑音 ,  *ロバスト性 ,  ブラックボックス ,  計算機シミュレーション

著者キーワード (3件)： 敵対例 ,  敵対訓練 ,  ブラックボックス攻撃

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 敵対 ,  ロバスト性 ,  訓練