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.

NCCR : évaluer la robustesse des réseaux neuronaux et des exemples contradictoires

Created by
  • Haebom

Auteur

Shi Pu, Fu Song, Wenjie Wang

Contour

Cet article propose une nouvelle mesure pour évaluer la robustesse des réseaux neuronaux : le taux de changement de couverture neuronale (NCCR). Le NCCR mesure la résistance aux attaques et la résilience d'un réseau neuronal face à des exemples contradictoires en surveillant l'évolution de la sortie d'un neurone spécifique lorsque l'entrée change. Une variation plus faible est considérée comme un réseau neuronal plus robuste. Les résultats expérimentaux sur les modèles de reconnaissance d'images et de reconnaissance du locuteur démontrent que le NCCR évalue efficacement la robustesse d'un réseau neuronal ou d'une entrée et permet la détection d'exemples contradictoires, ces derniers étant toujours moins robustes.

Takeaways, Limitations

Takeaways:
Une nouvelle métrique, NCCR, permettant d'évaluer la robustesse des réseaux neuronaux est présentée.
Présentation de la possibilité de détecter des exemples contradictoires à l'aide du NCCR.
Validation de l'utilité du NCCR dans les modèles de reconnaissance d'images et de reconnaissance de locuteurs.
Limitations:
Des recherches supplémentaires sont nécessaires sur les performances de généralisation de l’indicateur NCCR proposé.
La nécessité d’une analyse des performances du NCCR par rapport à divers types d’attaques et techniques de défense.
Une analyse des coûts de calcul et de l’efficacité des calculs NCCR est nécessaire.
👍