Adversarial Examples Are Not Easily Detected
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Résumé
Neural networks are known to be vulnerable to adversarial examples: inputs that are close to natural inputs but classified incorrectly. In order to better understand the space of adversarial examples, we survey ten recent proposals that are designed for detection and compare their efficacy. We show that all can be defeated by constructing new loss functions. We conclude that adversarial examples are significantly harder to detect than previously appreciated, and the properties believed to be intrinsic to adversarial examples are in fact not. Finally, we propose several simple guidelines for evaluating future proposed defenses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
La notice
- Revue
- Thématique
- Adversarial Robustness in Machine Learning
- Domaine
- Computer Science
- Établissements canadiens
- —
- Organismes subventionnaires
- Air Force Office of Scientific ResearchMultidisciplinary University Research InitiativeCanadian Institute for Advanced ResearchWilliam and Flora Hewlett Foundation
- Mots-clés
- Adversarial systemComputer scienceArtificial intelligenceSimple (philosophy)Deep neural networksSpace (punctuation)Artificial neural networkMachine learningTheoretical computer scienceEpistemology
- Résumé présent dans OpenAlex
- oui