| 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 | 2022-03-10 17:30 [サーベイ論文] Adversarial Training ○足立浩規・平川 翼・山下隆義・藤吉弘亘（中部大）  PRMU2021-73 |
|
| 抄録 | （和） | Adversarial training (AT)は悪意のある摂動を付与したサンプル (AEs: Adversarial examples)を学習に使用して，攻撃に頑健なモデルの獲得を目的とした学習方法である． ATはAEsに対するモデルの頑健性能を向上させる一方で，通常のサンプルに対する分類精度を大幅に劣化させる性質がある． この問題を解消するために，様々な観点からアプローチした手法が数多く提案されている． 本稿ではATについてサーベイし，ATの研究動向について体系的にまとめる． また，代表的な手法に関して，データセットやモデルなどを統一して分類精度の評価および比較をする． さらに，各手法を適用したモデルの低次元特徴空間を可視化しつつ，特徴空間の定量的評価指標を用いて比較をする． |
| （英） | Adversarial training (AT) is a training method that aims to obtain a robust model for defencing the adversarial attack by using adversarial examples (AEs). Although AT improves the robustness of the model to AEs, it significantly decreases the classification accuracy to natural samples. To overcome this problem, researchers proposed methods that approached from several perspectives. In this paper, we survey AT and systematically summarize about research trends of AT. Furthermore, we evaluate and compare the classification accuracy with the exact experimental details for the typical methods. Moreover, we visualize the low dimensional feature space of the model applied to each method and evaluate the feature representation using some quantitative evaluation indices. |
|
| キーワード | （和） | 深層学習 / 敵対的サンプル / 敵対的学習 / サーベイ / / / / |
| （英） | Deep learning / Adversarial examples / Adversarial training / Survey / / / / | |
| 文献情報 | 信学技報, vol. 121, no. 427, PRMU2021-73, pp. 78-90, 2022年3月. | |
| 資料番号 | PRMU2021-73 | |
| 発行日 | 2022-03-03 (PRMU) | |
| 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 | PRMU2021-73 |
|
| 研究会情報 | |
| 研究会 | PRMU IPSJ-CVIM |
| 開催期間 | 2022-03-10 - 2022-03-11 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 微分可能レンダリング |
| テーマ（英） | Differentiable rendering |
| 講演論文情報の詳細 | |
| 申込み研究会 | PRMU |
| 会議コード | 2022-03-PRMU-CVIM |
| 本文の言語 | 日本語 |
| タイトル（和） | [サーベイ論文] Adversarial Training |
| サブタイトル（和） | |
| タイトル（英） | Adversarial Training: A Survey |
| 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） | 敵対的サンプル / Adversarial examples |
| キーワード(3)（和/英） | 敵対的学習 / Adversarial training |
| キーワード(4)（和/英） | サーベイ / Survey |
| 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） | 足立 浩規 / Hiroki Adachi / アダチ ヒロキ |
| 第1著者 所属（和/英） | 中部大学 (略称： 中部大) Chubu University (略称： Chubu Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 平川 翼 / Tsubasa Hirakawa / ヒラカワ ツバサ |
| 第2著者 所属（和/英） | 中部大学 (略称： 中部大) Chubu University (略称： Chubu Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 山下 隆義 / Takayoshi Yamashita / ヤマシタ タカヨシ |
| 第3著者 所属（和/英） | 中部大学 (略称： 中部大) Chubu University (略称： Chubu Univ.) |
| 第4著者 氏名（和/英/ヨミ） | 藤吉 弘亘 / Hironobu Fujiyoshi / フジヨシ ヒロノブ |
| 第4著者 所属（和/英） | 中部大学 (略称： 中部大) Chubu University (略称： Chubu Univ.) |
| 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： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2022-03-10 17:30:00 |
| 発表時間 | 30分 |
| 申込先研究会 | PRMU |
| 資料番号 | PRMU2021-73 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | no.427 |
| ページ範囲 | pp.78-90 |
| ページ数 | 13 |
| 発行日 | 2022-03-03 (PRMU) |
[研究会発表申込システムのトップページに戻る]