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。
敵対的用例は,それらの移動可能な性質のため,深いニューラルネットワークへの厳しい脅威を提起した。現在,様々な研究は,交差モデル移転性を強化するための大きな努力を払いており,それは,主に,代替モデルを,ターゲットモデルとして同じドメインで訓練した。しかし,実際には,展開されたモデルの関連する情報は漏れない。したがって,この限界を克服し,展開モデルの脆弱性を評価するために,より実用的なブラックボックス脅威モデルを構築することが重要である。本論文では,ImageNetドメインの知識のみを用いて,ブラックボックスドメイン(未知分類タスク)に対する転送可能性を調べるために,超画像Net Attack(BIA)を提案した。特に,入力画像の低レベル特徴を破壊するための敵対関数を学習するための生成モデルを利用した。このフレームワークに基づいて,著者らはさらに,データとモデル展望からソースとターゲットドメインの間のギャップを狭めるために2つの変異体を提案した。粗粒および微細粒領域に関する広範な実験は,提案した方法の有効性を実証した。特に,著者らの方法は,平均で最高7.71%(粗粒領域まで)と25.91%(微細粒領域)まで最先端のアプローチを凌駕する。著者らのコードは,ウルル{https://github.com/qilong zhang/Beyond ImageNet Attack}で利用可能である。【JST・京大機械翻訳】