敵対的な攻撃は、ディープラーニングアプリケーションの安全性とセキュリティ上の懸念を引き起こします。しかし、ほとんど気付かないうちに、強力なPGDのような攻撃は、敵対的な例に強い痕跡を残す可能性があります。攻撃はネットワークの局所的な線形性をトリガーするため、良性の例と敵対的な例では、ネットワークがさまざまな程度の線形性で動作すると推測されます。したがって、線形性の程度を示すために、入力の周りのモデルの勾配の一貫性を反映するように、敵対的応答特性(ARC)機能を構築します。特定の条件下では、良性の例から敵対的な例へと徐々に変化するパターンを示します。これは、後でSequel Attack Effect(SAE)につながるためです。 ARC機能は、二項分類器を使用した情報に基づく攻撃の検出(摂動の大きさは既知)、または順序回帰を使用した非情報に基づく攻撃の検出(摂動の大きさは不明)に使用できま
マルチソースデータの爆発的な成長に伴い、マルチビュークラスタリングは近年大きな注目を集めています。ほとんどの既存のマルチビューメソッドは、生のフィーチャスペースで動作し、元のフィーチャ表現の品質に大きく依存します。さらに、多くの場合、機能データ用に設計されており、豊富なトポロジ構造情報を無視します。したがって、本論文では、属性データとグラフデータの両方を異種の特徴でクラスター化するための一般的なフレームワークを提案します。機能と構造の相互作用を調べることができます。具体的には、まずグラフフィルタリング手法を採用して高周波ノイズを除去し、クラスタリングに適した滑らかな表現を実現します。スケーラビリティの課題に対処するために、アンカーの品質を向上させるための新しいサンプリング戦略を開発します。属性とグラフのベンチマークに関する広範な実験は、最先端のアプローチに対する私たちのアプローチの優位性を
Exploring the Adjugate Matrix Approach to Quaternion Pose Extraction クォータニオンは、コンピュータグラフィックス、マシンビジョン、およびロボット工学におけるさまざまな回転関連の問題にとって重要です。関連する固有値問題の特性方程式の余因子行列を利用して、クォータニオン固有ベクトルの空間の多様体を取得することにより、クォータニオンと回転行列の関係の自明でないジオメトリを研究します。対応する回転行列によってパラメーター化されたクォータニオンは、たとえば機械学習タスクでは単一値関数として表現できないと主張します。クォータニオンソリューションは、代わりに、いくつかの単一値のそれぞれに対して異なる代数ソリューションを使用して、多様体として処理する必要があります。余因子行列で表されるセクター。クォータニオン調整変数を利用して、いくつか
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く