文献

J-GLOBAL ID：202202290378188862   整理番号：22A1104911

AGS:敵対攻撃に対する防御としての属性誘導鋭化【JST・京大機械翻訳】

AGS: Attribution Guided Sharpening as a Defense Against Adversarial Attacks

著者 (3件)： Perez Tobia Javier (The University of British Columbia, Kelowna, Canada) ,  Braun Phillip (University of Toronto, Toronto, Canada) ,  Narayan Apurva (The University of British Columbia, Kelowna, Canada)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13205  ページ： 225-236  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： 深い学習は過去10年間で大きな進歩を許すが,クリーンデータに類似して見えるにもかかわらず,敵対的攻撃にはまだ脆弱であり,不正確な予測を行うためのニューラルネットワークを強制できる。さらに,深層学習モデルは,通常,その出力の背後にある説明を提供しないブラックボックスまたはオラクルとして作用する。本論文では,ニューラルネットワークをロバストにする手段として説明可能性技術を組み込んだ敵対攻撃に対する防御である属性誘導Sharpning(AGS)を提案した。AGSは,分類器に通過する前に入力画像を雑音除去するために,ChoiとHallのシャープニング法をガイドするために,非ロバストモデル上に生成された顕著性マップを使用する。著者らは,AGSが3つのベンチマークデータセット(MNIST,CIFAR-10とCIFAR-100)に関する以前の防御を凌駕し,AutoAttackに対する最先端の性能を達成することを示した。Copyright The Author(s), under exclusive license to 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： ニューラルネットワーク ,  特徴抽出 ,  ブラックボックス ,  コンピュータビジョン ,  ロバスト性 ,  機械学習 ,  雑音除去 ,  *サイバー攻撃
準シソーラス用語： オラクル ,  脆弱性 ,  顕著性マップ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 敵対的攻撃 ,  コンピュータビジョン ,  機械学習ロバスト性

分類 (2件)： データ保護  (JD01020V) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： AGS ,  敵対 ,  攻撃 ,  防御 ,  属性 ,  誘導