文献

J-GLOBAL ID：202202225535358503   整理番号：22A0777788

Meta学習を用いた移転可能な敵対例に向けて【JST・京大機械翻訳】

Towards Transferable Adversarial Examples Using Meta Learning

著者 (4件)： Fan Mingyuan (College of Computer and Data Science, Fuzhou University, Fuzhou, China) ,  Yin Jia-Li (College of Computer and Data Science, Fuzhou University, Fuzhou, China) ,  Liu Ximeng (College of Computer and Data Science, Fuzhou University, Fuzhou, China) ,  Guo Wenzhong (College of Computer and Data Science, Fuzhou University, Fuzhou, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13155  ページ： 178-192  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 最近,深層ニューラルネットワークの脆弱性の認識によって,敵対攻撃方法は,人工知能技術のセキュリティのためのホットスポットの1つになった。以前の研究はホワイトボックス攻撃における敵対的事例を効果的に発生できるが,攻撃者がモデル構造とパラメータに関する知識を持たないブラックボックスモデルにこれらの敵対的事例を転送することは挑戦的である。本論文では,敵対例の移転可能性に焦点を当て,メタ学習が探索され,多様なブラックボックスモデルにわたるバニラ敵対攻撃に取り付けられた敵対例の移動可能性を容易にするために,メタ学習が探索された,モデル-音響攻撃(MAA)という新しいアプローチを提案した。特に,メタ学習アプローチであるモデル診断メタ学習は,様々な未知のタスクに対してよく一般化されたモデルを訓練することができ,特定のモデルに対する敵対的事例のオーバーフィッティング問題を軽減するために利用され,従って,敵対的用例はブラックボックスモデルに簡単に転送できる。さらに,MAAはプラグアンドプレイアプローチであり,さらに移動可能性をさらに高めるための既存の技術と統合できることを強調した。CIFAR-10とCIFAR-100に関する広範な実験結果は,ブラックボックスモデルに対して平均で最先端の方法よりも高い伝達性を達成するMAAの優位性を示す。Copyright Springer Nature Switzerland AG 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  音響 ,  バニラ ,  ブラックボックス ,  人工知能 ,  ホットスポット ,  性質 ,  セキュリティ ,  サイバー攻撃
準シソーラス用語： 敵意 ,  プラグアンドプレイ ,  メタ学習 ,  脆弱性 ,  攻撃者 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： 敵対的攻撃 ,  ブラックボックス攻撃 ,  ブラックボックスシナリオ ,  Meta学習 ,  伝達性 ,  移転可能な敵対例 ,  モデル診断メタ学習

分類 (3件)： データ保護  (JD01020V) ,  ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 学習 ,  移転 ,  敵対