お知らせ 2023年度・2024年度 学生員 会費割引キャンペーン実施中です
お知らせ 技術研究報告と和文論文誌Cの同時投稿施策(掲載料1割引き)について
お知らせ 電子情報通信学会における研究会開催について
お知らせ NEW 参加費の返金について
電子情報通信学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
[ログイン]
技報アーカイブ
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2022-01-18 14:00
L1正則化モデルの混合による敵対的堅牢性の獲得について
竹ノ内宏信竹内純一九大IBISML2021-26
抄録 (和) 画像分類における敵対的訓練において,L1正則化を導入した複数のモデルの混合による手法を提案する.L1正則化は,画像分類器における説明変数を剪定し,敵対的堅牢性を向上させる効果があることが知られている.しかし,我々の実験によると,正則化を行わないモデルに対する敵対的サンプルへの堅牢性は向上するが,学習済み正則化モデルを既知とした新たな攻撃には脆弱である.すなわち,新たな敵対的サンプルを得ることができる.このサンプルを用いた敵対的訓練により,新たなモデルの生成が可能だが,このモデルは,別の脆弱性が観測される.これに対し,正則化の強さが異なるいくつかの正則化モデルの混合をニューラルネットで実装し,それぞれの正則化モデルに対する敵対的サンプルを訓練データとした敵対的訓練を実施した.この結果,混合モデルは他のいずれの正則化モデルよりも堅牢であり,このモデルに対する有効な敵対的摂動の多様性が低くなることを実験により確認した. 
(英) We propose a method of adversarial training using L1 regularizationfor image classification.It is known that L1 regularization is effective to improve robustness for adversarial samples by pruning image classifier's explanatory variables.However, we showed by experiments that the regularized model is robust to the adversarial samples to the model without L1 regularization,while it has vulnerability to the adversarial samples generated using the knowledgeabout the L1 regularized model.For this problem, we developed a new method using amixture of models with various strength of L1 regularizationand trained it with adversarial samples to single L1 regularized models.By experiment, we showed that our model is more robust than the single modelsand that the successful adversarial perturbation to the mixture modelis less diverse than that to other single models.
キーワード (和) 深層学習 / 敵対的トレーニング / / / / / /  
(英) Deep Learning / Adversarial Training / / / / / /  
文献情報 信学技報, vol. 121, no. 321, IBISML2021-26, pp. 61-66, 2022年1月.
資料番号 IBISML2021-26 
発行日 2022-01-10 (IBISML) 
ISSN Online edition: ISSN 2432-6380
著作権に
ついて
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034)
PDFダウンロード IBISML2021-26

研究会情報
研究会 IBISML  
開催期間 2022-01-17 - 2022-01-18 
開催地(和) オンライン開催 
開催地(英) Online 
テーマ(和) 機械学習一般 
テーマ(英) Machine Learning, etc. 
講演論文情報の詳細
申込み研究会 IBISML 
会議コード 2022-01-IBISML 
本文の言語 日本語 
タイトル(和) L1正則化モデルの混合による敵対的堅牢性の獲得について 
サブタイトル(和)  
タイトル(英) Robustness to Adversarial Examples by Mixtures of L1 Regularazation Models 
サブタイトル(英)  
キーワード(1)(和/英) 深層学習 / Deep Learning  
キーワード(2)(和/英) 敵対的トレーニング / Adversarial Training  
キーワード(3)(和/英) /  
キーワード(4)(和/英) /  
キーワード(5)(和/英) /  
キーワード(6)(和/英) /  
キーワード(7)(和/英) /  
キーワード(8)(和/英) /  
第1著者 氏名(和/英/ヨミ) 竹ノ内 宏信 / Hironobu Takenouchi /
第1著者 所属(和/英) 九州大学 (略称: 九大)
Kyushu University (略称: Kyushu Univ.)
第2著者 氏名(和/英/ヨミ) 竹内 純一 / Junichi Takeuchi /
第2著者 所属(和/英) 九州大学 (略称: 九大)
Kyushu University (略称: Kyushu Univ.)
第3著者 氏名(和/英/ヨミ) / /
第3著者 所属(和/英) (略称: )
(略称: )
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者 第1著者 
発表日時 2022-01-18 14:00:00 
発表時間 20分 
申込先研究会 IBISML 
資料番号 IBISML2021-26 
巻番号(vol) vol.121 
号番号(no) no.321 
ページ範囲 pp.61-66 
ページ数
発行日 2022-01-10 (IBISML) 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会