ImageNet攻撃を越えて:ブラックボックスドメインのための敵対的例の克服に向けて【JST・京大機械翻訳】

Zhang Qilong; Li Xiaodan; Chen Yuefeng; Song Jingkuan; Gao Lianli; He Yuan; Xue Hui

プレプリント

J-GLOBAL ID：202202218841825845 整理番号：22P0280688

ImageNet攻撃を越えて:ブラックボックスドメインのための敵対的例の克服に向けて【JST・京大機械翻訳】

Beyond ImageNet Attack: Towards Crafting Adversarial Examples for Black-box Domains

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 (7件)： , , , , , ,
資料名：
発行年： 2022年01月27日プレプリントサーバーでの情報更新日： 2022年03月14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)

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】

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

データ保護 , 人工知能

, , ,

前のページに戻る