메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
손민지 (한국과학기술원) 권명준 (한국과학기술원) 조승주 (한국과학기술원) 김창익 (한국과학기술원)
저널정보
대한전자공학회 전자공학회논문지 전자공학회논문지 제59권 제10호(통권 제539호)
발행연도
2022.10
수록면
152 - 159 (8page)
DOI
10.5573/ieie.2022.59.10.152

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
합성곱 신경망은 컴퓨터 비전 분야에서 뛰어난 성능을 보이고 있지만 눈에 띄지 않는 잡음이 추가된 적대적 예제에 취약하다. 적대적 예제에 대한 취약성은 보안, 안전이 중요한 분야에서 심각한 문제를 일으킬 수 있다. 따라서 신경망이 상용화되기 전 취약성을 확인하여 위협에 대비하기 위해 적대적 공격에 대한 연구가 활발히 진행되고 있다. 타겟 모델의 내부 구조가 숨겨져 있는 상황에서는 공격자가 자신이 가지고 있는 소스 모델을 사용하여 적대적 예제를 생성하고, 그 이미지가 타겟 모델도 교란하기를 기대하는 전이성 기반 공격을 수행할 수 있다. 이러한 공격의 전이성을 향상시키기 위해 지금까지 제안된 입력 다변화 방법은 모든 픽셀에 같은 변환을 가하여 상대적으로 적은 전이성 향상을 보인다. 이에 본 논문은 입력 이미지의 각 픽셀을 재배치하여 전이성이 높은 적대적 예제를 생성하는 방법을 제안한다. 좀 더 상세히 말하면, 다양한 방향의 왜곡을 표현할 수 있는 탄성 변환을 사용하여 입력의 다양성을 확대하고 적대적 예제가 소스 모델에 과적합되는 것을 피한다. 우리는 이미지넷 기반 여러 분류 모델에 대한 적대적 공격 실험을 통해 탄성 변환을 사용하여 적대적 예제를 생성하는 방법이 전이성을 높이는 효과적인 방법임을 보인다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 선행 연구
Ⅲ. 제안하는 방법
Ⅳ. 실험
Ⅳ. 결론 및 향후 연구 방향
REFERENCES

참고문헌 (22)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0