[論文レビュー] Certification of Semantic Perturbations via Randomized Smoothing.
本論文は、回転、平行移動、音声のボリューム変更などのセマンティック摂動に対して、パrametrized摂動への拡張により、一般化された確率的スムージング手法を導入し、耐性を保証する。ImageNetにおけるResNet-50では、28%の画像に対して±30°回転までに形式的耐性を達成し、幾何的およびセマンティック変換における保証された耐性の分野で、新たな最先端水準を樹立した。
We introduce a novel certification method for parametrized perturbations by generalizing randomized smoothing. Using this method, we construct a provable classifier that can establish state-of-the-art robustness against semantic perturbations including geometric transformations (e.g., rotation, translation), for different types of interpolation, and, for the first time, volume changes on audio data. Our experimental results indicate that the method is practically effective: for ResNet-50 on ImageNet, it achieves rotational robustness provable up to $\pm 30^\circ$ for 28% of images.
研究の動機と目的
- 幾何変換や音声ボリューム変更などのセマンティック摂動に対する保証された耐性手法の欠如に対処すること。
- 標準的な敵対的ノイズを超える形式的耐性保証を可能にするために、確率的スムージングをパrametrized摂動に対応させる拡張。
- 音声データにおけるボリューム変更に対する、初めての形式的保証フレームワークの提供。
- 回転および平行移動摂動下でのImageNetにおける最先端の保証された耐性を達成すること。
提案手法
- 幾何変換や補間タイプを含む、パrametrized摂動をサポートするように確率的スムージングを一般化。
- 連続的パrameter空間における予測の耐性を推定するために、摂動を加えた入力をモンテカルロサンプルで使用。
- 摂動下での最も可能性の高いクラスの信頼区間を導出するために、集中不等式を適用。
- 回転やスケーリングなどの変換から生じるi.i.d.でない摂動に対応するため、スムージングフレームワークを適応。
- 変換パラメータにわたる認証プロセスにおける滑らかさを維持するための微分可能な補間戦略を導入。
- 信頼区間の幅に基づく保証された予測閾値を採用し、耐性保証を確保。
実験結果
リサーチクエスチョン
- RQ1確率的スムージングは、回転や平行移動などのセマンティック摂動に対し、保証された耐性を提供するために拡張可能か？
- RQ2スムージングに基づく認証を用いて、音声データにおけるボリューム変更に対し形式的耐性を達成することは可能か？
- RQ3本手法は、ImageNetにおける耐性半径およびカバレッジの観点から、既存の保証された耐性手法と比較してどのように異なるか？
- RQ4新しい認証フレームワーク下での耐性カバレッジとモデル精度のトレードオフはいかなるものか？
主な発見
- ResNet-50を用いた場合、ImageNetの28%の画像に対して±30°回転までに形式的耐性を達成した。
- スムージングベースのアプローチを用いて、音声データにおけるボリューム変更に対する、初めての形式的耐性保証を提供した。
- フレームワークは、さまざまな補間手法を含む、パrametrized摂動を扱えるように、確率的スムージングを一般化した。
- 本手法は、ImageNetにおける幾何変換に対する、最先端の保証された耐性を確立した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。