Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

PAR-AdvGAN : Amélioration de la capacité d'attaque adverse grâce à l'auto-régression progressive AdvGAN

Created by
  • Haebom

Auteur

Jiayu Zhang, Zhiyu Zhu, Xinyi Wang, Silin Liao, Zhibo Jin, Flora D. Salim et Huaming Chen.

Contour

Cet article présente une nouvelle méthode, appelée Progressive Autoregressive AdvGAN (PAR-AdvGAN), pour résoudre le problème des exemples antagonistes, une vulnérabilité des réseaux de neurones profonds. Pour surmonter la limitation de la génération d'itérations uniques dans les méthodes GAN existantes, PAR-AdvGAN introduit un mécanisme itératif autorégressif permettant de générer des exemples antagonistes avec des capacités d'attaque améliorées. Grâce à des expériences approfondies, PAR-AdvGAN démontre des performances supérieures face à diverses attaques antagonistes de type boîte noire de pointe et aux AdvGAN existants. Il atteint notamment une fréquence d'images maximale de 335,5 images par seconde sur le modèle Inception-v3, nettement supérieure à celle des algorithmes d'attaque transférables basés sur le gradient. Le code source est disponible sur GitHub.

Takeaways, Limitations_

•
Takeaways:
◦
Une nouvelle méthode (PAR-AdvGAN) est présentée pour surmonter les limitations des méthodes existantes de génération d'exemples contradictoires basées sur GAN.
◦
Capacité à générer des exemples adverses avec des capacités d'attaque et une vitesse améliorées.
◦
Performances supérieures contre diverses méthodes de pointe (y compris les attaques de type boîte noire)
◦
Atteignez des vitesses de génération rapides (jusqu'à 335,5 images par seconde)
◦
Publication du code source ouvert
•
Limitations:
◦
Cet article n'aborde pas spécifiquement Limitations. Une analyse plus approfondie est nécessaire pour résoudre les problèmes potentiels dans les applications pratiques (par exemple, surajustement à des modèles ou des ensembles de données spécifiques, charge de calcul accrue, etc.).
👍
Made with Slashpage