文献

J-GLOBAL ID：202102259882709461   整理番号：21A0893820

深い運転操作分類モデルのための先進ブラックボックス敵対攻撃【JST・京大機械翻訳】

An Advanced Black-Box Adversarial Attack for Deep Driving Maneuver Classification Models

著者 (4件)： Sarker Ankur (University of Virginia,Department of Computer Science,Charlottesville,VA,USA,22904) ,  Shen Haiying (University of Virginia,Department of Computer Science,Charlottesville,VA,USA,22904) ,  Sen Tanmoy (University of Virginia,Department of Computer Science,Charlottesville,VA,USA,22904) ,  Uehara Hua (University of Virginia,Department of Computer Science,Charlottesville,VA,USA,22904)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： MASS  ページ： 184-192  発行年： 2020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： 接続および自律車両(CAV)を導入して,道路安全性および交通流効率を増加させた。CAVシナリオにおいて,自律車両は,無線通信技術を用いて,その近傍車両による異なる駆動信号(例えば,速度,ブレーキペダル圧力)に関して,その電流と近未来運転操作を共有する。深層ニューラルネットワーク(DNN)モデルは,通常,DNNモデルの高い予測精度のために,他の機械学習アルゴリズム上の駆動操作時系列データを処理するために用いられる。このシナリオにおいて,攻撃者は,入力を誤分類するために,DNNモデルをフォローするために,誤駆動操作信号を送ることができる。既存のブラックボックス敵対攻撃(画像データセットのための)は,生成された攻撃が成功(長時間)または大量の摂動(低知覚性)であるかどうかをチェックするために,DNNモデルに多くの質問を必要とし,従って,多次元時系列駆動データによって特徴付けられる時間感受性CAVシナリオに適用できない。本論文では,深い駆動操作分類モデルのための先進ブラックボックスAdversarial Attack(A3)を提示した。最初に,探索時間を減らすために,連続探索空間による攻撃発生のための最適化問題を定式化した。最適化問題を解明するために,A3は,最適解の探索の時間効率を改善するために,二値探索と最適化アルゴリズムを革新的に結合した。それは,最初に,時間効率を改善するために,問題を解決するために,摂動探索空間を減らすために,バイナリ分割技術を使用した。次に,ゼロ次確率勾配降下法を使用し,高次元データセットの解をより速く探索し,さらに時間効率を改善した。2つの実際の運転データセットを用いて,異なる計量に関して提案したA3攻撃を評価した。実験結果は,A3攻撃が,既存のブラックボックス敵対攻撃よりも94.87%高い成功率で,84.12%少ないクエリと57.67%のより少ない摂動を必要とすることを示した。Copyright 2021 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： 電流 ,  最適化問題 ,  最適化手法 ,  交通流 ,  *ブラックボックス ,  高次元 ,  定式化 ,  摂動 ,  最急降下法 ,  学習アルゴリズム
準シソーラス用語： 時系列データ ,  探索空間 ,  最適解 ,  予測精度 ,  クエリー , 【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 (4件)： 分類モデル ,  ブラックボックス ,  敵対 ,  攻撃