抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生深層ニューラルネットワーク(DNN)性能は十分ではない。実世界の設定において,計算負荷,訓練効率および敵対的セキュリティは,ちょうど,または,さらに重要である。提案アルゴリズムQ-TART,AdversarialロバストネスのためのQuickly Train,およびTransferbilityを用いて,性能,効率,およびロバスト性を同時に処理することを提案した。Q-TARTは,雑音に対して高度に影響を受けやすいサンプルが,DNNによって学習された決定境界に強く影響し,次に,その性能と敵対感受率を低下させる。そのようなサンプルを同定および除去することにより,訓練データの部分集合のみを用いて,改善された性能と敵対的ロバスト性を実証した。著者らの実験を通して,著者らは,画像Netを含む多重データセット-DNN組合せを通してQ-TARTの高性能を強調して,既存の広告訓練アプローチと並んでQ-TARTの補足的挙動への洞察を提供し,一方,17.9%未満の訓練時間を用いて,ロバスト性を1.3%以上増加させた。【JST・京大機械翻訳】