適応微分進化を用いた敵対的事例の生成

KUSHIDA Jun-ichi; HARA Akira; TAKAHAMA Tetsuyuki

文献

J-GLOBAL ID：202002246715013515 整理番号：20A0407281

適応微分進化を用いた敵対的事例の生成

GENERATION OF ADVERSARIAL EXAMPLES USING ADAPTIVE DIFFERENTIAL EVOLUTION

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0407281&from=J-GLOBAL&jstjournalNo=F1199A") }}

著者 (3件)： , ,
資料名：
巻： 16 号： 1 ページ： 405-414 発行年： 2020年02月
JST資料番号： F1199A ISSN： 1349-4198 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：英語 (EN)

ディープニューラルネットワーク(DNN)は,小さな摂動を含む敵対的事例に対して脆弱であることがわかっている。敵対的事例に基づく攻撃は,ホワイトボックス攻撃またはブラックボックス攻撃のいずれかに分類できる。ホワイトボックス攻撃において,敵は攻撃するモデルについて完全な知識を持っている。ブラックボックス攻撃は内部モデルの情報なしで実行される。コンピュータビジョンに対するブラックボックス攻撃の一つとして,微分進化(DE)を用いて敵対的事例を生成する方法が報告されている。微分進化は母集団を用いた確率的直接探索法であり,ネットワークパラメータ値やその勾配についての情報にアクセスすることなく,敵対的事例を生成することを可能にする。本論文では,適応微分進化の変種であるJADEを用いて,敵対的事例を生成した。JADEは制御パラメータ適応メカニズムを採用し,種々の最適化問題において高い精度と急速な収束を示す。JADEを用いた敵対的事例の生成の有効性を,最先端のDNNに対する敵攻撃の実験により検討及び議論した。(翻訳著者抄録)

, , , , , , , , ,

計算機網 , 計算機シミュレーション

引用文献 (18件)：

A. Krizhevsky, I. Sutskever and G. E. Hinton, Imagenet classification with deep convolutional neural networks, Advances in Neural Information Processing Systems, pp.1097-1105, 2012.
C. Liu, F. Liu, L. Wang, L. Ma and Z.-M. Lu, Segmentation of nerve on ultrasound images using deep adversarial network, International Journal of Innovative Computing, Information and Control, vol.14, no.1, pp.53-64, 2018.
I. M. Kamal, H. Bae, S. Sim, H. Kim, D. Kim, Y. Choi and H. Yun, Forecasting high-dimensional multivariate regression of Baltic Dry Index (BDI) using Deep Neural Networks (DNN), ICIC Express Letters, vol.13, no.5, pp.427-434, 2019.
S. Moosavi-Dezfooli, A. Fawzi and P. Frossard, Deepfool: A simple and accurate method to fool deep neural networks, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, pp.2574-2582, 2016.
N. Papernot, P. McDaniel, S. Jha, M. Fredrikson, Z. B. Celik and A. Swami, The limitations of deep learning in adversarial settings, The 1st IEEE European Symposium on Security and Privacy (EuroS&P), Saarbrucken, Germany, pp.372-387, 2016.

, ,

前のページに戻る