Securing 3D Deep Learning Models: Simple and Effective Defense Against Adversarial Attacks
Pourquoi ce travail est 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.
Notice bibliographique
Résumé
In recent years, the growing vulnerability of deep neural networks (DNNs) to adversarial attacks has posed sig-nificant challenges in the field of machine learning, particularly in mission-critical applications such as computer vision. As a result, adversarial machine learning has emerged as a crucial research area focused on fortifying deep neural networks against these sophisticated threats. Simultaneously, the use of 3D datasets representing 3D objects has become increasingly important in applications like autonomous driving, robotics, and augmented reality. As the adoption of deep learning networks for processing and classifying both 3D and 2D data grows, concerns over their vulnerability to adversarial attacks have escalated. Despite extensive research on adversarial defense in many areas, adversarial 3D deep learning models remains compara-tively unexplored. This study examines the susceptibility of 3D deep learning to various forms of adversarial attacks, revealing significant weaknesses in current approaches. Our findings demonstrate these attacks, which involve subtle modifications to the data, can significantly degrade the performance of classifiers, leading to misclassification and potentially dangerous outcomes in real-world scenarios. We illustrate that adversarial inputs can compromise prediction performance, with accuracy dropping by over 20%. In response, we propose an efficient defense strategy that does not overburden the learning model with a heavy adversarial training step. Our simplified defense strategy employs only the best classified 3D objects per class and not only restores network classification accuracy to baseline performance but can improve accuracy to above baseline performance in the event of adversarial attacks.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle