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。
深層ニューラルネットワークは,著者らのソフトウェアインフラストラクチャの不可欠な部分になっており,多くの広く利用され,安全クリティカルなアプリケーションで展開されている。しかし,多くのシステムへのそれらの統合は,また,普遍的な敵対的摂動(UAP)の形での時間攻撃をテストするための脆弱性をもたらす。UAPは,任意の入力に応用される場合,モデル誤分類を誤分類する摂動のクラスである。これらの敵対攻撃に対してモデルを防御する進行中の努力があるが,モデル精度におけるトレードオフと敵対攻撃に対するロバスト性を調和させることは,しばしば困難である。Jacobi正則化はUAPに対するモデルのロバスト性を改善することが示されているが,モデルアンサンブルは予測性能とモデルロバスト性の両方を改善するために広く採用されている。本研究では,モデル精度を維持または改善しながら,UAPに対するロバスト性を著しく増加させるために,Jacobi正則化とモデルアンサンブルの組合せという新しいアプローチを提案した。その結果,Jacobiアンサンブルは精度およびロバスト性の従来からないレベルを達成し,精度またはロバスト性のいずれかに対してゆがみする傾向がある以前の方法を大幅に改善することを示した。【JST・京大機械翻訳】