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。
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】