JP7231018B2 - 耐性設定装置、耐性設定方法、耐性設定プログラム、耐性評価装置、耐性評価方法、耐性評価プログラム、演算装置、およびプログラム - Google Patents
耐性設定装置、耐性設定方法、耐性設定プログラム、耐性評価装置、耐性評価方法、耐性評価プログラム、演算装置、およびプログラム Download PDFInfo
- Publication number
- JP7231018B2 JP7231018B2 JP2021519399A JP2021519399A JP7231018B2 JP 7231018 B2 JP7231018 B2 JP 7231018B2 JP 2021519399 A JP2021519399 A JP 2021519399A JP 2021519399 A JP2021519399 A JP 2021519399A JP 7231018 B2 JP7231018 B2 JP 7231018B2
- Authority
- JP
- Japan
- Prior art keywords
- strength
- resistance
- tolerance
- sample
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1476—Error detection or correction of the data by redundancy in operation in neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Description
特許文献1には、adversarial examplesに対する耐性をニューラルネットワークに付加するために、adversarial examplesを用いてニューラルネットワークを再学習させる技術が開示されている。
本発明の目的は、学習済みモデルを用いる演算装置に、敵対的サンプルに対する耐性を簡易にもたらすことができる耐性設定装置、耐性設定方法、耐性設定プログラム、耐性評価装置、耐性評価方法、耐性評価プログラム、演算装置、およびプログラムを提供することにある。
図1は、第1の実施形態に係る耐性設定システムの構成を示す概略ブロック図である。
耐性設定システム1は、演算装置10と耐性設定装置30とを備える。
演算装置10は、学習済みモデルを用いた演算を行う。学習済みモデルとは、機械学習モデルと、学習によって得られた学習済みパラメータとの組み合わせである。機械学習モデルの例としては、ニューラルネットワークモデルなどが挙げられる。演算装置10の例としては、画像等の入力信号に基づいて判別処理をする判別装置、センサ等による入力信号に基づいて機械の制御信号を生成する制御装置などが挙げられる。
演算装置10は、サンプル入力部11、量子化部12、演算モデル記憶部13、および演算部14を備える。
耐性設定装置30は、演算装置10に敵対的サンプルに対する耐性を設定する。敵対的サンプルとは、演算装置10に対する入力信号であって、学習済みモデルの誤判定を誘発するために摂動が加えられたものをいう。耐性設定装置30は、耐性(耐性強度)に対応する演算精度の変化量を誘発する敵対的サンプを生成する。敵対的サンプルの例として、adversarial examplesが挙げられる。
耐性設定装置30は、耐性特定部31、生成モデル記憶部32、サンプル生成部33、サンプル出力部34、精度特定部35、および強度決定部36を備える。
図2は、第1の実施形態に係る耐性設定システムによる耐性設定方法を示すフローチャートである。
まず、利用者は、耐性設定装置30に、演算装置10に求められる耐性強度として、演算精度の変化量を入力する。利用者は、所望の耐性強度として、演算装置10の演算精度を低下させる度合いを入力する。耐性設定装置30の耐性特定部31は、入力された演算精度の変化量を受け付ける(ステップS1)。
サンプル生成部33は、摂動強度の初期値としてゼロを設定する(ステップS2)。サンプル生成部33は、既知の検証用データセットに係る入力信号と、設定された摂動強度と、生成モデル記憶部32が記憶する生成モデルとに基づいて、複数の敵対的サンプルを生成する(ステップS3)。このように、サンプル生成部33は、摂動強の摂動が加えられた入力信号を複数生成する。敵対的サンプルの生成については前述したとおりである。サンプル出力部34は、生成した複数の敵対的サンプルを演算装置10に出力する(ステップS4)。
強度決定部36は、ステップS11で特定した演算精度の変化量が、ステップS1で受け付けた耐性強度に係る変化量以上であるか否かを判定する(ステップS12)。
強度決定部36は、決定した量子化幅を演算装置10に出力する(ステップS15)。演算装置10の量子化部12は、耐性設定装置30から入力された量子化幅を、量子化処理に用いるパラメータとして設定する(ステップS16)。
これにより、演算装置10は、敵対的サンプルに対する耐性を獲得することができる。演算装置10は、利用者によって入力された耐性強度に対応する敵対的サンプルに対する耐性を獲得(実現)するための量子化幅を決定できる。また、耐性を実現する最小の量子化幅を決定することができる。
図3は、第1の実施形態に係る耐性獲得後の演算装置の動作を示すフローチャートである。
耐性設定装置30による耐性設定処理によって量子化幅が設定された演算装置10に入力信号が与えられると、サンプル入力部11が入力信号を受け付ける(ステップS31)。次に、量子化部12は、図2のフローチャートに示した耐性設定処理によって設定された量子化幅を用いて、入力信号の量子化処理を行う(ステップS32)。
具体的には、以下の式(2)に基づいて量子化処理を行う。すなわち、量子化部12は、入力信号xと入力信号最小値xminとの差を量子化幅dで除算した値を四捨五入して整数化する。そして、量子化部12は、整数化された値に量子化幅dを乗算し、さらに入力信号最小値xminを加算することで、量子化された入力信号xqを得る。なお、式(2)において、int関数は、変数として与えられた値の整数部を返す。つまり、int(X+0.5)は、四捨五入による整数化処理を示す。
このように、演算装置10は、耐性設定装置30によって決定された量子化幅にしたがって入力信号を量子化する。決定された量子化幅にしたがって入力信号を量子化することで、設定された耐性強度に対応する敵対的サンプルが入力された場合においても演算精度を維持することができる。つまり、演算装置10は、耐性強度に対応する敵対的サンプルに対して耐性を有する。
ここで、耐性設定装置30によって量子化幅が設定されることで、演算装置10が敵対的サンプルに対する耐性を得ることができる理由を説明する。
充分に学習された演算モデルは、所定の摂動強度に係る敵対的サンプルに対して脆弱であったとしても、ホワイトノイズなどの通常のノイズに対しては耐性を有する。すなわち、敵対的サンプルの摂動強度と同じ強度のホワイトノイズを入力信号に加えても、演算モデルの演算精度が有意に低下することはない。このことから、入力信号に含まれるノイズが敵対的サンプルに係る摂動と類似していなければ、演算モデルの演算精度が有意に低下しないことがわかる。
また、第1の実施形態に係る耐性設定装置30は、複数の摂動強度ごとの敵対的サンプルに対する演算装置10の演算精度に基づいて耐性強度を特定する。これにより、利用者は容易に適切な耐性強度を設定することができる。
なお、第1の実施形態によれば、耐性設定装置30は、利用者に入力された耐性強度と演算精度の変化量を比較しながら摂動強度を増加させることで、適切な量子化幅を決定するが、これに限られない。例えば、耐性設定装置30は、複数の摂動強度についてそれぞれ演算精度を利用者に提示し、提示された演算精度に基づいて利用者が耐性強度を耐性設定装置30に入力するものであってもよい。
第2の実施形態に係る耐性設定システムは、具体的な敵対的サンプルが既知である場合に、当該既知の敵対的サンプルに対する耐性を演算装置10に獲得させる。
図4は、第2の実施形態に係る耐性設定システムの構成を示す概略ブロック図である。
第2の実施形態に係る耐性設定システムは、第1の実施形態と耐性設定装置30の構成が異なる。第2の実施形態に係る耐性設定装置30は、耐性特定部31の動作が第1の実施形態と異なる。また第2の実施形態に係る耐性設定装置30は、サンプル生成部33、サンプル出力部34、および精度特定部35を備えなくてもよい。
図5は、第2の実施形態に係る耐性設定システムによる耐性設定方法を示すフローチャートである。
耐性特定部31は、生成モデル記憶部32が記憶する生成モデルを解析し、耐性強度として敵対的サンプルの摂動強度を特定する(ステップS101)。生成モデルを解析することで摂動強度を特定する種々の技術がある。強度決定部36は、演算装置10に設定する量子化幅を、ステップS101で特定した摂動強度の2倍の値に決定する(ステップS102)。強度決定部36は、決定した量子化幅を演算装置10に出力する(ステップS103)。演算装置10の量子化部12は、耐性設定装置30から入力された量子化幅を、量子化処理に用いるパラメータとして設定する(ステップS104)。
これにより、演算装置10は、敵対的サンプルに対する耐性を獲得することができる。
このように、第2の実施形態に係る耐性設定装置30は、既知の敵対的サンプルの摂動強度に基づいて耐性強度を特定し、当該耐性強度に基づいて入力信号の量子化幅を決定する。これにより、耐性設定装置30は、演算装置10に耐性を獲得させるために設定すべき量子化幅を容易に決定することができる。
なお、第2の実施形態に係る耐性設定装置30は、敵対的サンプルの摂動強度に基づいて耐性強度を特定するが、これに限られない。例えば、他の実施形態に係る耐性設定装置30は、敵対的サンプルと入力信号の分布距離指標に基づいて耐性強度を特定してもよい。分布距離指標の例としては、KLダイバージェンス(Kullback Leibler divergence)が挙げられる。敵対的サンプルと入力信号の分布距離指標は、摂動強度に関する値である。
また、第2の実施形態に係る耐性設定装置30は、生成モデルの解析に基づいて摂動強度を特定するが、これに限られない。例えば、他の実施形態においては、耐性設定装置30は、生成モデルを記憶せず、敵対的サンプルと入力信号とを解析することで摂動強度を特定するが、これに限られない。
第2の実施形態に係る耐性設定システムは、具体的な敵対的サンプルに対する脆弱性を確実に封じるものである。他方、演算装置10は、量子化によって敵対的サンプルに対する耐性を得るものである。量子化幅が大きいほど情報の欠落が増加する。そのため、敵対的サンプルに対する耐性を獲得しながら、情報の欠落も防止したいという要望が生じ得る。
第3の実施形態に係る耐性設定システムは、具体的な敵対的サンプルが既知である場合に、当該既知の敵対的サンプルに対して利用者が求める程度の演算精度が得られる程度の耐性を演算装置10に獲得させる。
図6は、第3の実施形態に係る耐性設定システムの構成を示す概略ブロック図である。
第3の実施形態に係る耐性設定システム1の耐性設定装置30は、第1の実施形態の構成に加え、候補設定部37、および提示部38をさらに備える。第2の実施形態に係る耐性設定装置30は、サンプル生成部33、精度特定部35、耐性特定部31、および強度決定部36の動作が第1の実施形態と異なる。
図7は、第3の実施形態に係る耐性設定システムによる耐性設定方法を示すフローチャートである。
耐性設定装置30の候補設定部37は、複数の量子化幅の候補(例えば、1ビットから16ビットまでの16個の量子化幅の候補)を1つずつ選択する(ステップS201)。そして、耐性設定装置30は、以下のステップS202からステップS212までの処理を、すべての量子化幅の候補について実行する。
耐性特定部31は、利用者から耐性強度として、提示部38によって提示された量子化幅候補ごとの演算精度の1つの選択を受け付ける(ステップS214)。
これにより、演算装置10は、敵対的サンプルに対する所望の耐性を獲得することができる。
このように、第3の実施形態に係る耐性設定システム1は、複数の量子化幅候補ごとに、当該量子化幅候補に基づいて量子化処理された敵対的サンプルに対する演算装置10の出力精度を特定する。また、耐性設定システム1は、複数の量子化幅の候補のうち所望の耐性強度を満たす量子化幅候補を、演算装置10の量子化幅に決定する。これにより、利用者は、敵対的サンプルに対する耐性を獲得しながら、情報の欠落も防止するような所望の耐性を演算装置10に獲得させることができる。
図8は、第4の実施形態に係る耐性設定システムの構成を示す概略ブロック図である。
第4の実施形態に係る耐性設定システム1は、第1の実施形態と演算装置10の構成が異なる。第4の実施形態に係る演算装置10は、第1の実施形態の構成に加え、ノイズ発生部15を備え、量子化部12の計算が第1の実施形態と異なる。
量子化部12は、以下の式(3)に基づいて量子化処理を行う。すなわち、量子化部12は、入力信号xと入力信号最小値xminとの差を量子化幅dで除算した値に、ノイズ発生部15が発生させた乱数を加算したものの整数部を抽出する。量子化部12は、抽出された整数部に量子化幅dを乗算し、さらに入力信号最小値xminを加算することで、量子化された入力信号xqを得る。
第4の実施形態によれば、演算装置10は、乱数を用いて入力信号の量子化を行う。すなわち、演算装置10は乱数を用いて確率的に量子化を行う。これにより、演算装置10に同じ入力信号を入力しても、演算装置10が生成する出力信号は少しずつ変化する。そのため、演算装置10は、入力信号と出力信号のペアから演算装置10が備える演算モデルを推定することを困難にすることができる。演算モデルの推定が困難になることで、攻撃者にとって敵対的サンプルの生成モデルを作成することが困難になるため、演算装置10が敵対的サンプルによる攻撃を受けるリスクを低減させることができる。
第5の実施形態では、演算装置10の敵対的サンプルに対する耐性を評価する耐性評価システムについて説明する。
図9は、第5の実施形態に係る耐性評価システムの構成を示す概略ブロック図である。
耐性評価システム2は、演算装置10と耐性評価装置50とを備える。演算装置10の構成は、第1の実施形態と同様であるが、第5の実施形態に係る演算装置10は、量子化部12を備えなくてもよい。
耐性評価装置50は、演算装置10の敵対的サンプルに対する耐性を評価する。
耐性評価装置50は、生成モデル記憶部32、サンプル生成部33、サンプル出力部34、精度特定部35、および提示部38を備える。生成モデル記憶部32、サンプル生成部33、サンプル出力部34、および精度特定部35は、第1の実施形態の耐性設定装置30が備える生成モデル記憶部32、サンプル生成部33、サンプル出力部34、および精度特定部35と同様の処理を行う。
提示部38は、敵対的サンプルの摂動強度ごとの演算精度を提示する。
図10は、第5の実施形態に係る耐性評価システムによる耐性評価方法を示すフローチャートである。
耐性評価装置50は、複数の摂動強度(例えば、1ビットから16ビットまでの16個の摂動強度)を1つずつ選択し(ステップS401)、以下のステップS402からステップS409までの処理をすべての摂動強度について実行する。
以上、図面を参照して一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、様々な設計変更等をすることが可能である。例えば他の実施形態においては、上述の処理の順序が適宜変更されてもよい。また、一部の処理が並列に実行されてもよい。
《耐性設定装置の基本構成》
図11は、耐性設定装置の基本構成を示す概略ブロック図である。
上述した実施形態では、耐性設定装置30の一実施形態として図1、図4、図6、および図8に示す構成について説明したが、耐性設定装置30の基本構成は、図11に示すとおりである。
すなわち、耐性設定装置30は、耐性特定部301および強度決定部302を基本構成とする。
強度決定部302は、耐性強度に基づいて、入力信号のノイズ除去強度を決定する。強度決定部302は、上述の実施形態の強度決定部36に相当する。
これにより、耐性設定装置30は、学習済みモデルを用いる演算装置に、敵対的サンプルに対する耐性を簡易にもたらすことができる。
図12は、演算装置の基本構成を示す概略ブロック図である。
上述した実施形態では、演算装置10の一実施形態として図1、図4、図6、および図8に示す構成について説明したが、演算装置10の基本構成は、図11に示すとおりである。
すなわち、演算装置10は、ノイズ除去部101および演算部102を基本構成とする。
演算部102は、ノイズ除去処理がなされた入力信号を学習済みモデルに入力することで、出力信号を得る。演算部102は、上述の実施形態の演算部14に相当する。
これにより、演算装置10は、敵対的サンプルに対する耐性を簡易に獲得することができる。
図13は、耐性設定装置の基本構成を示す概略ブロック図である。
上述した実施形態では、耐性評価装置50の一実施形態として図9に示す構成について説明したが、耐性評価装置50の基本構成は、図13に示すとおりである。
すなわち、耐性評価装置50は、サンプル生成部501、精度特定部502、および提示部503を基本構成とする。
精度特定部502は、複数の摂動の強度ごとに、敵対的サンプルに対する学習済みモデルを用いる演算装置の出力精度を特定する。精度特定部502は、上述の実施形態の精度特定部35に相当する。
提示部503は、複数の摂動の強度ごとの出力精度に基づいて、演算装置の敵対的サンプルに対する耐性強度を示す情報を提示する。提示部503は、上述の実施形態の提示部38に相当する。
これにより、耐性評価装置50は、学習済みモデルを用いる演算装置の敵対的サンプルに対する耐性を評価することができる。
図14は、少なくとも1つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ90は、プロセッサ91、メインメモリ92、ストレージ93、インタフェース94を備える。
上述の演算装置10、耐性設定装置30、および耐性評価装置50は、コンピュータ90に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ93に記憶されている。プロセッサ91は、プログラムをストレージ93から読み出してメインメモリ92に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ91は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ92に確保する。プロセッサ91の例としては、CPU(Central Processing Unit)、GPU(Graphic Processing Unit)、マイクロプロセッサなどが挙げられる。
さらに、当該プログラムは、前述した機能をストレージ93に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル(差分プログラム)であってもよい。
学習済みモデルの誤判定を誘発するために摂動が加えられた入力信号である敵対的サンプルに対して、前記学習済みモデルを用いる演算装置に求められる耐性強度を特定する耐性特定部と、
前記耐性強度に基づいて、前記入力信号のノイズ除去強度を決定する強度決定部と
を備える耐性設定装置。
前記ノイズ除去強度は、前記入力信号の量子化パラメータである
付記1に記載の耐性設定装置。
値の異なる複数のノイズ除去強度候補ごとに、当該ノイズ除去強度候補に基づいてノイズ除去処理された前記敵対的サンプルに対する前記演算装置の出力精度を特定する精度特定部を備え、
前記耐性特定部は、前記複数のノイズ除去強度候補ごとの出力精度の中から、前記耐性強度を満たす出力精度を特定し、
前記強度決定部は、特定された出力精度に係るノイズ除去強度候補を、前記入力信号のノイズ除去強度に決定する
付記1または付記2に記載の耐性設定装置。
前記耐性特定部は、前記敵対的サンプルの前記摂動の強度に基づいて前記耐性強度を特定する
付記1または付記2に記載の耐性設定装置。
複数の摂動の強度ごとに、複数の敵対的サンプルを生成するサンプル生成部と、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記演算装置の出力精度を特定する精度特定部と、
を備え、
前記耐性特定部は、前記摂動の強度ごとの出力精度に基づいて前記耐性強度を特定する
付記4に記載の耐性設定装置。
学習済みモデルの誤判定を誘発するために摂動が加えられた入力信号である敵対的サンプルに対して、前記学習済みモデルを用いる演算装置に求められる耐性強度を特定するステップと、
前記耐性強度に基づいて、前記入力信号のノイズ除去強度を決定するステップと
を備える耐性設定方法。
学習済みモデルの誤判定を誘発するために摂動が加えられた入力信号である敵対的サンプルに対して、前記学習済みモデルを用いる演算装置に求められる耐性強度を特定するステップと、
前記耐性強度に基づいて、前記入力信号のノイズ除去強度を決定するステップと
をコンピュータに実行させるための耐性設定プログラム。
学習済みモデルの誤判定を誘発するための複数の摂動の強度ごとに、複数の敵対的サンプルを生成するサンプル生成部と、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記学習済みモデルを用いる演算装置の出力精度を特定する精度特定部と、
前記複数の摂動の強度ごとの出力精度に基づいて、前記演算装置の前記敵対的サンプルに対する耐性強度を示す情報を提示する提示部と
を備える耐性評価装置。
学習済みモデルの誤判定を誘発するための複数の摂動の強度ごとに、複数の敵対的サンプルを生成するステップと、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記学習済みモデルを用いる演算装置の出力精度を特定するステップと、
前記複数の摂動の強度ごとの出力精度に基づいて、前記演算装置の前記敵対的サンプルに対する耐性強度を示す情報を提示するステップと
を備える耐性評価方法。
学習済みモデルの誤判定を誘発するための複数の摂動の強度ごとに、複数の敵対的サンプルを生成するステップと、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記学習済みモデルを用いる演算装置の出力精度を特定するステップと、
前記複数の摂動の強度ごとの出力精度に基づいて、前記演算装置の前記敵対的サンプルに対する耐性強度を示す情報を提示するステップと
をコンピュータに実行させるための耐性評価プログラム。
付記6に記載の耐性設定方法によって決定されたノイズ除去強度に基づいて、入力信号のノイズ除去処理を行うノイズ除去部と、
前記ノイズ除去処理がなされた入力信号を学習済みモデルに入力することで、出力信号を得る演算部と
を備える演算装置。
乱数を発生させる乱数発生部と、
前記ノイズ除去部は、前記乱数を用いて、前記ノイズ除去強度に基づく前記入力信号のノイズ除去処理を行う
付記11に記載の演算装置。
付記6に記載の耐性設定方法によって決定されたノイズ除去強度に基づいて、入力信号のノイズ除去処理を行うステップと、
前記ノイズ除去処理がなされた入力信号を学習済みモデルに入力することで、出力信号を得るステップと
を備える演算方法。
付記6に記載の耐性設定方法によって決定されたノイズ除去強度に基づいて、入力信号のノイズ除去処理を行うステップと、
前記ノイズ除去処理がなされた入力信号を学習済みモデルに入力することで、出力信号を得るステップと
をコンピュータに実行させるためのプログラム。
2 耐性評価システム
10 演算装置
11 サンプル入力部
12 量子化部
13 演算モデル記憶部
14 演算部
15 ノイズ発生部
30 耐性設定装置
31 耐性特定部
32 生成モデル記憶部
33 サンプル生成部
34 サンプル出力部
35 精度特定部
36 強度決定部
37 候補設定部
38 提示部
50 耐性評価装置
Claims (10)
- 学習済みモデルの誤判定を誘発するために摂動が加えられた入力信号である敵対的サンプルに対して、前記学習済みモデルを用いる演算装置に求められる耐性強度を特定する耐性特定手段と、
前記耐性強度に基づいて、前記入力信号のノイズ除去強度を決定する強度決定手段と
を備える耐性設定装置。 - 前記耐性特定手段は、前記敵対的サンプルの前記摂動の強度に基づいて前記耐性強度を特定する
請求項1に記載の耐性設定装置。 - 複数の摂動の強度ごとに、複数の敵対的サンプルを生成するサンプル生成手段と、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記演算装置の出力精度を特定する精度特定手段と、
を備え、
前記耐性特定手段は、前記摂動の強度ごとの出力精度に基づいて前記耐性強度を特定する
請求項2に記載の耐性設定装置。 - コンピュータが、学習済みモデルの誤判定を誘発するために摂動が加えられた入力信号である敵対的サンプルに対して、前記学習済みモデルを用いる演算装置に求められる耐性強度を特定し、
前記コンピュータが、前記耐性強度に基づいて、前記入力信号のノイズ除去強度を決定する、
耐性設定方法。 - 学習済みモデルの誤判定を誘発するために摂動が加えられた入力信号である敵対的サンプルに対して、前記学習済みモデルを用いる演算装置に求められる耐性強度を特定し、
前記耐性強度に基づいて、前記入力信号のノイズ除去強度を決定する、
処理をコンピュータに実行させるための耐性設定プログラムを記憶する記憶媒体。 - 学習済みモデルの誤判定を誘発するための複数の摂動の強度ごとに、複数の敵対的サンプルを生成するサンプル生成手段と、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記学習済みモデルを用いる演算装置の出力精度を特定する精度特定手段と、
前記複数の摂動の強度ごとの出力精度に基づいて、前記演算装置の前記敵対的サンプルに対する耐性強度を示す情報を提示する提示手段と
を備える耐性評価装置。 - コンピュータが、学習済みモデルの誤判定を誘発するための複数の摂動の強度ごとに、複数の敵対的サンプルを生成し、
前記コンピュータが、前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記学習済みモデルを用いる演算装置の出力精度を特定し、
前記コンピュータが、前記複数の摂動の強度ごとの出力精度に基づいて、前記演算装置の前記敵対的サンプルに対する耐性強度を示す情報を提示する、
耐性評価方法。 - 学習済みモデルの誤判定を誘発するための複数の摂動の強度ごとに、複数の敵対的サンプルを生成し、
前記複数の摂動の強度ごとに、前記敵対的サンプルに対する前記学習済みモデルを用いる演算装置の出力精度を特定し、
前記複数の摂動の強度ごとの出力精度に基づいて、前記演算装置の前記敵対的サンプルに対する耐性強度を示す情報を提示する、
処理をコンピュータに実行させるための耐性評価プログラムを記憶する記憶媒体。 - 請求項4に記載の耐性設定方法によって決定されたノイズ除去強度に基づいて、入力信号のノイズ除去処理を行うノイズ除去手段と、
前記ノイズ除去処理がなされた入力信号を学習済みモデルに入力することで、出力信号を得る演算手段と
を備える演算装置。 - 請求項4に記載の耐性設定方法によって決定されたノイズ除去強度に基づいて、入力信号のノイズ除去処理を行い、
前記ノイズ除去処理がなされた入力信号を学習済みモデルに入力することで、出力信号を得る、
処理をコンピュータに実行させるためのプログラムを記憶する記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019090066 | 2019-05-10 | ||
JP2019090066 | 2019-05-10 | ||
PCT/JP2020/018554 WO2020230699A1 (ja) | 2019-05-10 | 2020-05-07 | 耐性設定装置、耐性設定方法、耐性設定プログラムを記憶する記憶媒体、耐性評価装置、耐性評価方法、耐性評価プログラムを記憶する記憶媒体、演算装置、およびプログラムを記憶する記憶媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2020230699A1 JPWO2020230699A1 (ja) | 2020-11-19 |
JPWO2020230699A5 JPWO2020230699A5 (ja) | 2022-01-18 |
JP7231018B2 true JP7231018B2 (ja) | 2023-03-01 |
Family
ID=73290160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021519399A Active JP7231018B2 (ja) | 2019-05-10 | 2020-05-07 | 耐性設定装置、耐性設定方法、耐性設定プログラム、耐性評価装置、耐性評価方法、耐性評価プログラム、演算装置、およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220207304A1 (ja) |
JP (1) | JP7231018B2 (ja) |
WO (1) | WO2020230699A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220335335A1 (en) * | 2021-03-10 | 2022-10-20 | Tata Consultancy Services Limited | Method and system for identifying mislabeled data samples using adversarial attacks |
WO2022244256A1 (ja) * | 2021-05-21 | 2022-11-24 | 日本電気株式会社 | 敵対的攻撃生成装置、および、リスク評価装置 |
JP2023008415A (ja) | 2021-07-06 | 2023-01-19 | 富士通株式会社 | 評価プログラム、評価方法および情報処理装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170316281A1 (en) | 2016-04-28 | 2017-11-02 | Microsoft Technology Licensing, Llc | Neural network image classifier |
US20180308012A1 (en) | 2017-04-19 | 2018-10-25 | Robert Bosch Gmbh | Method and device for improving the robustness against "adversarial examples" |
US20190080089A1 (en) | 2017-09-11 | 2019-03-14 | Intel Corporation | Adversarial attack prevention and malware detection system |
-
2020
- 2020-05-07 US US17/606,808 patent/US20220207304A1/en active Pending
- 2020-05-07 JP JP2021519399A patent/JP7231018B2/ja active Active
- 2020-05-07 WO PCT/JP2020/018554 patent/WO2020230699A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170316281A1 (en) | 2016-04-28 | 2017-11-02 | Microsoft Technology Licensing, Llc | Neural network image classifier |
US20180308012A1 (en) | 2017-04-19 | 2018-10-25 | Robert Bosch Gmbh | Method and device for improving the robustness against "adversarial examples" |
US20190080089A1 (en) | 2017-09-11 | 2019-03-14 | Intel Corporation | Adversarial attack prevention and malware detection system |
Non-Patent Citations (2)
Title |
---|
HOSSEINI, Hossein et al.,Dropping Pixels for Adversarial Robustness,arxiv [online],2019年05月01日,all 7 pages,Retrieved from the Internet: <URL: https://arxiv.org/abs/1905.00180> |
LIN, Ji et al.,Defensive Quantization: When Efficiency Meets Robustness,arxiv [online],2019年04月17日,pp.1-14,Retrieved from the Internet: <URL: https://arxiv.org/abs/1904.08444> |
Also Published As
Publication number | Publication date |
---|---|
US20220207304A1 (en) | 2022-06-30 |
JPWO2020230699A1 (ja) | 2020-11-19 |
WO2020230699A1 (ja) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7231018B2 (ja) | 耐性設定装置、耐性設定方法、耐性設定プログラム、耐性評価装置、耐性評価方法、耐性評価プログラム、演算装置、およびプログラム | |
CN110851835A (zh) | 图像模型检测方法、装置、电子设备及存储介质 | |
CN108875776A (zh) | 模型训练方法和装置、业务推荐的方法和装置、电子设备 | |
CN108416343B (zh) | 一种人脸图像识别方法及装置 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN113986561B (zh) | 人工智能任务处理方法、装置、电子设备及可读存储介质 | |
CN112086144B (zh) | 分子生成方法、装置、电子设备及存储介质 | |
CN111586071A (zh) | 一种基于循环神经网络模型的加密攻击检测方法及装置 | |
CN114428748B (zh) | 一种用于真实业务场景的模拟测试方法及系统 | |
CN112507121A (zh) | 客服违规质检方法、装置、计算机设备及存储介质 | |
CN115296984A (zh) | 异常网络节点的检测方法及装置、设备、存储介质 | |
CN110990523A (zh) | 一种法律文书的确定方法及系统 | |
CN111368837B (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
CN110348215B (zh) | 异常对象识别方法、装置、电子设备及介质 | |
CN110490056A (zh) | 对包含算式的图像进行处理的方法和装置 | |
CN111161789B (zh) | 一种模型预测的关键区域的分析方法及装置 | |
Olmedo et al. | Validation of soft maps produced by a land use cover change model | |
CN112559559A (zh) | 清单相似度的计算方法、装置、计算机设备和存储介质 | |
CN111324749A (zh) | 一种实体分类方法、系统、及装置 | |
CN113850418B (zh) | 时间序列中异常数据的检测方法和装置 | |
CN111400764B (zh) | 个人信息保护的风控模型训练方法、风险识别方法及硬件 | |
CN113239075A (zh) | 一种施工数据自检方法及系统 | |
CN113836297A (zh) | 文本情感分析模型的训练方法及装置 | |
CN111353428A (zh) | 动作信息识别方法、装置、电子设备及存储介质 | |
CN110008100A (zh) | 用于网页访问量异常检测的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211015 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211015 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221226 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230117 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230130 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7231018 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |