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(DNN)モデルのロバスト性は,多くのアプリケーションにおけるセキュリティの緊急の必要性のためにますます注目を集めている。多くの既存のオープンソースツールまたはプラットフォームを開発し,敵対攻撃または防御アルゴリズムの大多数をアンサンブルすることにより,DNNモデルのロバスト性を評価した。残念なことに,現在のプラットフォームは,DNNモデルのアーキテクチャや敵対攻撃の配置を最適化する能力を持たず,モデルのロバスト性や敵対攻撃の性能をさらに高める。これらの問題を軽減するために,本論文では,まず,ロバストなニューラルネットワークアーキテクチャと効率的な敵対攻撃の探索を助けることができる,自動敵対攻撃と防御(A ̄3D)と呼ばれる新しいプラットフォームを提案した。A ̄3Dでは,複数のニューラルアーキテクチャ探索法を採用し,それは4種類の雑音を含む異なるロバスト性評価尺度,即ち,敵対雑音,自然雑音,システム雑音,および定量化された計量を考慮し,ロバストなアーキテクチャを見つける。さらに,自動敵対攻撃のための数学モデルを提案し,効率的な敵対攻撃を探索するための多重最適化アルゴリズムを提供した。さらに,自動敵対攻撃と防御を一緒に組み合わせ,統一フレームワークを形成した。自動敵対防衛の中で,検索された効率的攻撃は,ロバスト性をさらに強化するための新しいロバスト性評価として用いることができる。自動敵対攻撃において,検索されたロバストアーキテクチャは,より強い敵対攻撃を見つけるのを助ける脅威モデルとして利用することができる。CIFAR10,CIFAR100,およびImageNetデータセットに関する実験は,提案したプラットフォームの実現可能性と有効性を実証し,また,DNNモデルロバスト性の評価および改善における自動化機械学習の適用における研究者のためのベンチマークおよびツールキットを提供することができた。【JST・京大機械翻訳】
