ドメインアグノスティック防御によるマルチタスク深層ニューラルネットワークのロバスト性の探索と改善【JST・京大機械翻訳】

Murali Kashyap Coimbatore

プレプリント

J-GLOBAL ID：202202212271516250 整理番号：22P0101063

ドメインアグノスティック防御によるマルチタスク深層ニューラルネットワークのロバスト性の探索と改善【JST・京大機械翻訳】

Exploring and Improving Robustness of Multi Task Deep Neural Networks via Domain Agnostic Defenses

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 (1件)：
資料名：
発行年： 2020年01月11日プレプリントサーバーでの情報更新日： 2020年01月11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)

本論文では,自然言語理解(NLU)タスクおよびそれらに対して防御するいくつかの可能な方法を通して,非ターゲット敵対攻撃に対するマルチタグ深層ニューラルネットワーク(MT-DNN)のロバスト性を調べた。Liuらは,その交差タスクデータの結果として訓練するときに生成された正則化効果によるマルチTask深層ニューラルネットワークが,1つのタスク(1.1%-1.5%絶対差)だけに訓練されたバニラBERTモデルよりロバストであることを示した。さらに,MT-DNNは一般化されたが,ドメインとタスクを横断して容易に移動できるが,SNLIとSciTailタスクに対して,精度が42.05%と32.24%だけ低下するので,それはまだ,2つの攻撃(1文字と2チャーター)の後,まだ損なわれることを,さらに示す。」ことを示した.。”その結論として,それは,2つの攻撃(1文字と2チャーター)の後,まだ損なわれることができる。また,その精度が,SNLIとSciTailタスクに対して,42.05%と32.24%だけ低下する。最後に,著者らは,汎用防御またはオフショップスペルチェッカーとは対照的に,モデル精度(それぞれ36.75%および25.94%)を復元する領域診断防御を提案した。【JST・京大機械翻訳】

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

パターン認識 , 人工知能

, , , ,

前のページに戻る