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。
医用画像のための深層ニューラルネットワーク(DNN)は,臨床意思決定にセキュリティの懸念をもたらす敵対例(AE)に非常に脆弱である。Luckilyに,医学AEも,ここで研究あたり階層的特徴空間で検出が容易である。この現象をより良く理解するために,特徴空間における医療AEの固有特性を完全に調べ,質問に対する経験的証拠と理論的説明の両方を提供し,なぜ,なぜ医療敵対攻撃が検出が容易であるか,という疑問を提起した。最初に,自然画像とは対照的に,医用画像の深い表現の脆弱性を明らかにするために,応力テストを行った。次に,二値疾患診断ネットワークに対する典型的な敵対攻撃が,固定方向における脆弱な表現を連続的に最適化することにより予測を操作することを理論的に証明し,医用AEを検出しやすくする異常値特徴をもたらした。しかし,この脆弱性は,特徴空間におけるAEsを隠すために活用できる。筆者らは,既存の敵対攻撃に対する追加として,新しい階層的特徴制約(HFC)を提案し,これは,正規特徴分布内の敵対表現の隠蔽を奨励する。2つの公共医用画像データセット,即ち,{Fundoscopy}と{Chest X-Ray},について提案した方法を評価した。実験結果は,競合攻撃法より容易に最先端の敵対検出器のアレイを迂回するので,著者らの敵対攻撃法の優位性を実証し,医療特徴の大きな脆弱性が敵対表現を操作するのに,攻撃者をより多く可能にすることを支持した。【JST・京大機械翻訳】