文献

J-GLOBAL ID：202002243196240211   整理番号：20A2462504

DIPDefend:敵対例に対する深層画像事前駆動防御【JST・京大機械翻訳】

DIPDefend: Deep Image Prior Driven Defense against Adversarial Examples

著者 (7件)： Dai Tao (Tsinghua University & Peng Cheng Laboratory, Shenzhen, China) ,  Feng Yan (Tsinghua University & Peng Cheng Laboratory, Shenzhen, China) ,  Wu Dongxian (Tsinghua University & Peng Cheng Laboratory, Shenzhen, China) ,  Chen Bin (Tsinghua University & Peng Cheng Laboratory, Shenzhen, China) ,  Lu Jian (Shenzhen University, Shenzhen, China) ,  Jiang Yong (Tsinghua University & Peng Cheng Laboratory, Shenzhen, China) ,  Xia Shu-Tao (Tsinghua University & Peng Cheng Laboratory, Shenzhen, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： MM ’20  ページ： 1404-1412  発行年： 2020年 
JST資料番号： D0698C  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： 深層ニューラルネットワーク(DNN)は,クリーン画像に対する不可解な摂動を伴う敵対例に対して重大な脆弱性を示した。ほとんどの既存の入力変換ベースの防御法(例えば,ComDefend)は,外部大規模訓練データセットからの学習された外部の事前情報に大きく依存したが,入力自体の豊富な画像内部事前の無視を無視して,外部訓練データセットからの偏った画像統計による敵対例に対する防御モデルの一般化を制限する。単一画像から豊富な画像統計量を捉える前に,深い画像によって動機づけられて,著者らは敵対的用例に対する効果的深層画像事前駆動型防衛(DIPDefend)法を提案した。ターゲット/敵対入力にフィットするDIP発生器を用いて,画像再構成は特徴学習展望から非常に興味深い学習選好を示し,すなわち,初期段階は主に敵対的摂動に耐性のあるロバスト特徴を学習し,次に敵対的摂動に敏感な非ロバスト特徴を学習する。さらに,この方法を多様な画像に適応させる適応停止戦略を開発した。このようにして,提案モデルは,各個人敵対入力に対してユニークな防御者を得て,従って,様々な攻撃者に対してロバストである。実験結果は,ホワイトボックスとブラックボックス敵対攻撃に対する最先端の防御法に対する著者らの方法の優位性を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  ブラックボックス ,  統計量 ,  深層 ,  摂動 ,  ロバスト性 ,  画像再構成
準シソーラス用語： 敵意 ,  防衛 ,  事前知識 ,  用例 ,  脆弱性 ,  攻撃者 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 敵対の例 ,  深層ニューラルネットワーク ,  防衛 ,  画像事前

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 敵対 ,  深層 ,  防御