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。
深層ニューラルネットワーク(DNN)は敵対攻撃の傾向があることが知られており,そのために多くの修復が提案される。敵対訓練(AT)は,最もロバストな防御と考えられているが,それは,クリーン例と,他のタイプの攻撃,例えば,より大きな摂動による攻撃の下で,貧弱な性能に悩まされる。一方,エントロピー最大化(EntM)とラベル平滑化(LS)のような不確実な出力を奨励する正則化器は,クリーン事例で精度を維持し,弱い攻撃の下で性能を向上することができるが,強い攻撃に対して防御する能力はまだ疑問である。本論文では,敵対学習の分野において,EntMとLSを含む不確実性促進正則化器を再考した。EntMとLSだけでは,小さな摂動の下でのみロバスト性を提供することを示した。反対に,不確実性促進正則化器は,原則的にATを補完し,クリーン例と様々な攻撃,特に大きな摂動による攻撃の両者で性能を改善することを示した。さらに,不確実性促進正則化器が,Jacobi行列ΔΨ_Xf(X;θ)の展望からATの性能をどのように強化するかを分析し,EntMがJacobi行列のノルムを効果的に縮小し,従ってロバスト性を促進することを見出した。【JST・京大機械翻訳】