証明可能な推定誤差を持つ深層ニューラルネットワークのための最小敵対摂動について【JST・京大機械翻訳】

Brau Fabio; Rossolini Giulio; Biondi Alessandro; Buttazzo Giorgio

プレプリント

J-GLOBAL ID：202202207316589721 整理番号：22P0023472

証明可能な推定誤差を持つ深層ニューラルネットワークのための最小敵対摂動について【JST・京大機械翻訳】

On the Minimal Adversarial Perturbation for Deep Neural Networks with Provable Estimation Error

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01月04日プレプリントサーバーでの情報更新日： 2022年01月04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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層ニューラルネットワーク(DNN)は,知覚と制御タスクにおいて不確かな性能を示しているが,いくつかの信頼できる問題は,まだ未解決である。最も議論された話題の1つは,与えられた入力のロバスト性を定量化することができる証明可能な技術に関する興味深い研究ラインを開いた,敵対的摂動の存在である。この点に関して,分類境界からの入力のユークリッド距離は,最小手頃な敵対的摂動として,十分に改良されたロバスト性評価を示す。残念なことに,そのような距離の計算はNNの非凸性により非常に複雑である。この問題に取り組むためのいくつかの方法が提案されているが,著者らの知識の最良に,誤差を推定および結合させるための証明可能な結果は示されていない。本論文は,最小敵対摂動を見つけるための2つの軽量戦略を提案することによって,この問題に対処した。最先端技術と異なり,提案した手法は理論上の近似距離の誤差推定理論を定式化する。最後に,アルゴリズムの性能を評価し,理論的発見をサポートするために,実験のかなりのセットを報告した。得られた結果は,提案戦略が分類境界に近いサンプルに対する理論的距離を近似し,任意の敵対攻撃に対して証明可能なロバスト性保証を導くことを示した。【JST・京大機械翻訳】

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

ニューロコンピュータ

, , , ,

前のページに戻る