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。
最先端の広告検出作業は分類器モデル依存性,即ち,検出器を訓練するための分類器モデル出力とパラメータ,または敵対検出の間,を必要とする。これは,それらの検出アプローチ分類器モデルを特異的にする。さらに,分類器モデル出力とパラメータは必ずしもアクセスできない。この目的のために,敵対と自然入力を区別するための簡単なエネルギー関数を用いた分類器モデル独立広告検出法を提案した。分類器モデルに依存しないスタンドアロン検出器を訓練し,層別エネルギー分離(LES)訓練を行い,自然と敵対エネルギー間の分離を増加させた。これを用いて,エネルギー分布ベースの敵対検出を行う。著者らの方法は,CIFAR100およびTinyImagenetデータセットに関する広範囲の勾配,スコアおよびガウス雑音攻撃を通して,最先端の検出作業(ROC-AUC>0.9)に匹敵する性能を達成した。さらに,事前研究と比較して,著者らの検出手法は軽量であり,訓練データ量が少なく(実際のデータセットの40%),異なるデータセットで転送可能である。再現性のために,著者らはhttps://github.com/Intelligent Computing Lab Yale/Energy Separation Trainingで層ごとのエネルギー分離訓練コードを提供した。【JST・京大機械翻訳】