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。
敵対攻撃に対するロバスト性は,より大きなモデル容量とより大きなメモリフットプリントを必要とすることを示した。本論文では,ランダムに初期化した二値ネットワークを剪定することによって,ロバストだがコンパクトなモデルを得るためのアプローチを導入した。モデルパラメータを学習する敵対訓練とは異なり,著者らは,+1または-1のいずれかとしてモデルパラメータを初期化し,それらを固定し,攻撃に対してロバストであるサブネットワーク構造を見つける。著者らの方法は,敵対攻撃の存在における強いLotery Ticket仮説を確認し,これをバイナリネットワークに拡張した。さらに,それは,1)異なるネットワーク層を適応的に剪定することによって,既存の研究より競合性能を有するよりコンパクトなネットワークを生成する。2)有効バイナリ初期化方式の利用;3)訓練安定性を改善するために最後のバッチ正規化層を組み込むこと。著者らの実験は,著者らのアプローチが最先端のロバストバイナリネットワークを常に凌駕するだけではなく,また,いくつかのデータセットに関して全精度のものより良い精度を達成できることを証明した。最後に,著者らは,著者らの剪定二値ネットワークの構造化パターンを示した。【JST・京大機械翻訳】