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。
悪意のある摂動に対する深層ニューラルネットワーク(DNN)のロバスト性は,信頼できるAIにおける最新の話題である。既存の技術は,モデル構造を修正するか,または推論または訓練のプロセスを最適化することによって,固定データセットを与えるロバストモデルを得る。著しい改善がなされてきたが,モデルロバスト性のための高品質データセットを構築する可能性は未調査のままである。Andrew Ngによって打ち上げられたデータ中心AIのキャンペーンに続いて,ロバスト性を改善するために,多くの既存のDNNモデルに対してよく働くデータセット強化のための新しいアルゴリズムを提案した。移動可能な敵対例と14種類の一般的崩壊を,著者らの最適化データセットに含めた。AlibabaグループとTsinghua大学によってホストされたデータ中心ロバスト学習競争において,著者らのアルゴリズムは,第1段階で3000以上の競争者から第3に出て,第2段階で第4位をランク付けした。著者らのコードは,ウルル{https://github.com/hncszyq/tianchi_challenge}で利用可能である。【JST・京大機械翻訳】