パターン認識におけるロバストな敵対訓練の調査:基本,理論および方法論【JST・京大機械翻訳】

Qian Zhuang; Huang Kaizhu; Wang Qiu-Feng; Zhang Xu-Yao

プレプリント

J-GLOBAL ID：202202206079607748 整理番号：22P0310696

パターン認識におけるロバストな敵対訓練の調査:基本,理論および方法論【JST・京大機械翻訳】

A Survey of Robust Adversarial Training in Pattern Recognition: Fundamental, Theory, and Methodologies

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

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月26日プレプリントサーバーでの情報更新日： 2022年03月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

過去数十年間,深いニューラルネットワークは,機械学習,コンピュータビジョン,およびパターン認識において顕著な成功を達成した。しかしながら,最近の研究では,ニューラルネットワーク(浅いおよび深い)が,敵対例と呼ばれる特定の不可解な摂動入力サンプルによって容易に統合されるかもしれないことを示した。このようなセキュリティ脆弱性は,ニューラルネットワークの広大な応用により,実世界の脅威を導入できるので,近年,大規模な研究をもたらした。特にパターン認識における敵対例に対するロバスト性問題に取り組むために,ロバストな敵対訓練は1つの主流になった。種々のアイデア,方法,および応用が分野にブームされた。しかし,異なるモデル間の特性,解釈,理論,および接続を含む敵対的訓練の深い理解は,まだ解明されていない。本論文では,パターン認識におけるロバスト広告訓練に関する系統的で構造化された調査を提供する包括的な調査を提示する。広告例の定義,表記,および特性を含む基礎から始めた。次に,敵対的訓練がモデルロバスト性に導くことができる理由の可視化と解釈によって,敵対的サンプルに対する防御のための統一理論的フレームワークを導入した。接続は,敵対訓練と他の伝統的学習理論の間でも確立された。その後,構造化方法で敵対攻撃と防御/訓練アルゴリズムによる様々な方法論をまとめ,レビューし,論じた。最後に,広告訓練の分析,展望,および記録を提示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , データ保護

, , , , , ,

前のページに戻る