マルチタスク学習は敵対的ロバスト性を強化する【JST・京大機械翻訳】

Mao Chengzhi; Gupta Amogh; Nitin Vikram; Ray Baishakhi; Song Shuran; Yang Junfeng; Vondrick Carl

プレプリント

J-GLOBAL ID：202202209174681377 整理番号：22P0170951

マルチタスク学習は敵対的ロバスト性を強化する【JST・京大機械翻訳】

Multitask Learning Strengthens Adversarial Robustness

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 (7件)： , , , , , ,
資料名：
発行年： 2020年07月14日プレプリントサーバーでの情報更新日： 2020年09月10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)

深いネットワークがコンピュータビジョンベンチマークの範囲に対して強い精度を達成するが,それらは敵対攻撃に対して脆弱であり,そこでは,知覚できない入力摂動がネットワークをフォローする。訓練されたタスクの数に対するモデルの敵対的ロバスト性を接続する理論的および経験的解析の両方を提示した。2つのデータセットに関する実験は,攻撃困難性が目標タスクの数が増加するにつれて増加することを示した。さらに,本モデルが複数のタスクで一度訓練された場合,それらは個々のタスクに対する敵対攻撃に対してよりロバストになることを示唆した。敵対的防御は未解決の課題のままであるが,我々の結果は,深いネットワークが,それらがあまりに少ないタスクで訓練されるので,部分的に脆弱であることを示唆する。【JST・京大機械翻訳】

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

データ保護 , 人工知能

, , ,

前のページに戻る