La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Hybrid Bayesian-Convolutional Neural Network for Adversarial Robustness Un réseau neuronal hybride bayésien-convolutionnel pour la robustesse adverse

Thi Thu Thao KHONG, Takashi NAKADA, Yasuhiko NAKASHIMA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Nous introduisons un réseau neuronal hybride bayésien-convolutionnel (hyBCNN) pour améliorer la robustesse contre les attaques adverses et réduire le temps de calcul dans la phase d'inférence bayésienne. Notre hyBCNN les modèles sont construits à partir d’une partie de BNN et CNN. Sur la base de CNN pré-entraînés, nous remplaçons uniquement les couches convolutives et la fonction d'activation de l'étape initiale des CNN par nos couches convolutionnelles bayésiennes (BC) et d'activation bayésiennes (BA) comme terme d'apprentissage par transfert. Nous gardons le reste des CNN inchangés. Nous adoptons l'algorithme Bayes sans apprentissage bayésien (BwoBL) pour hyBCNN réseaux pour exécuter l’inférence bayésienne vers la robustesse adverse. Notre proposition surpasse la formation contradictoire et la fonction d'activation robuste, qui sont actuellement les méthodes de défense exceptionnelles des CNN dans la résistance aux attaques contradictoires telles que PGD et C&W. De plus, l'architecture proposée avec BwoBL peut facilement s'intégrer dans n'importe quel CNN pré-entraîné, en particulier dans les réseaux évolutifs, par exemple ResNet et EfficientNet, avec de meilleures performances sur des ensembles de données à grande échelle. En particulier, sous l norme attaque PGD de perturbation des pixels ε=4/255 avec 100 itérations sur ImageNet, notre meilleur hyBCNN EfficientNet atteint une précision top 93.92 de 5 % sans formation supplémentaire.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.7 pp.1308-1319
Date de publication
2022/07/01
Publicisé
2022/04/11
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7239
Type de manuscrit
PAPER
Catégories
Reconnaissance d'images, vision par ordinateur

Auteurs

Thi Thu Thao KHONG
  Nara Institute of Science and Technology
Takashi NAKADA
  International Professional University of Technology in Osaka
Yasuhiko NAKASHIMA
  Nara Institute of Science and Technology

Mots-clés

Table des matières