• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>ACM Computing Surveys >Adversarial Examples on Object Recognition: A Comprehensive Survey
【24h】

Adversarial Examples on Object Recognition: A Comprehensive Survey

机译：对象识别的对抗例子：综合调查

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Deep neural networks are at the forefront of machine learning research. However, despite achieving impressive performance on complex tasks, they can be very sensitive: Small perturbations of inputs can be sufficient to induce incorrect behavior. Such perturbations, called adversarial examples, are intentionally designed to test the network's sensitivity to distribution drifts. Given their surprisingly small size, a wide body of literature conjectures on their existence and how this phenomenon can be mitigated. In this article, we discuss the impact of adversarial examples on security, safety, and robustness of neural networks. We start by introducing the hypotheses behind their existence, the methods used to construct or protect against them, and the capacity to transfer adversarial examples between different machine learning models. Altogether, the goal is to provide a comprehensive and self-contained survey of this growing field of research.
机译：深度神经网络处于机器学习研究的最前沿。 但是，尽管在复杂任务上实现了令人印象深刻的性能，但它们可以非常敏感：对输入的小扰动可能足以引起不正确的行为。 这种扰动称为对抗性示例，是有意设计的，以测试网络对分布漂移的敏感性。 鉴于他们令人惊讶的小尺寸，宽的文献猜测它们存在以及如何减轻这种现象。 在本文中，我们讨论了对抗性示例对神经网络的安全，安全和鲁棒性的影响。 我们首先介绍其存在背后的假设，用于构建或保护它们的方法，以及在不同机器学习模型之间转移对抗的能力。 完全，目标是提供对这种日益增长的研究领域的全面和独立的调查。

著录项

  • 来源
    《ACM Computing Surveys》 |2021年第3期|66.1-66.38|共38页
  • 作者

    Serban Alex; Poll Erik; Visser Joost;

  • 作者单位

    Radboud Univ Nijmegen Toernooiveld 212 NL-6525 EC Nijmegen Netherlands;

    Radboud Univ Nijmegen Toernooiveld 212 NL-6525 EC Nijmegen Netherlands;

    Leiden Univ Niels Bohrweg 1 NL-2333 CA Leiden Netherlands;

  • 收录信息 美国《科学引文索引》(SCI);美国《工程索引》(EI);
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

    Adversarial examples; machine learning; security; robustness;

    机译：对抗的例子;机器学习;安全;鲁棒性;

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号