ترجمه فارسی مقاله تشخیص ناهنجاری صنعتی مقاوم در برابر نفوذ از طریق مدل انتشار

چکیده

Deep learning-based industrial anomaly detection models have achieved remarkably high accuracy on commonly used benchmark datasets. However, the robustness of those models may not be satisfactory due to the existence of adversarial examples, which pose significant threats to the practical deployment of deep anomaly detectors. Recently, it has been shown that diffusion models can be used to purify the adversarial noises and thus build a robust classifier against adversarial attacks. Unfortunately, we found that naively applying this strategy in anomaly detection (i.e., placing a purifier before an anomaly detector) will suffer from a high anomaly miss rate since the purifying process can easily remove both the anomaly signal and the adversarial perturbations, causing the later anomaly detector failed to detect anomalies. To tackle this issue, we explore the possibility of performing anomaly detection and adversarial purification simultaneously. We propose a simple yet effective adversarially robust anomaly detection method, textit{AdvRAD}, that allows the diffusion model to act both as an anomaly detector and adversarial purifier. We also extend our proposed method for certified robustness to $l_2$ norm bounded perturbations. Through extensive experiments, we show that our proposed method exhibits outstanding (certified) adversarial robustness while also maintaining equally strong anomaly detection performance on par with the state-of-the-art methods on industrial anomaly detection benchmark datasets.

چکیده به فارسی (ترجمه ماشینی)

مدلهای تشخیص ناهنجاری صنعتی مبتنی بر یادگیری عمیق در مجموعه داده های معیار متداول به دقت بسیار بالایی رسیده اند.با این حال ، استحکام آن مدل ها به دلیل وجود نمونه های مخالف ، ممکن است رضایت بخش نباشد ، که تهدیدات قابل توجهی برای استقرار عملی ردیاب های ناهنجاری عمیق است.اخیراً نشان داده شده است که می توان از مدل های انتشار برای تصفیه صداهای مخالف استفاده کرد و در نتیجه یک طبقه بندی قوی در برابر حملات مخالف ایجاد کرد.متأسفانه ، ما دریافتیم که استفاده ساده لوحانه از این استراتژی در تشخیص ناهنجاری (به عنوان مثال ، قرار دادن یک دستگاه تصفیه قبل از یک آشکارساز ناهنجاری) از میزان از دست دادن ناهنجاری بالا رنج می برد زیرا روند تصفیه می تواند به راحتی سیگنال ناهنجاری و آشفتگی های مخالف را از بین ببرد ،ردیاب ناهنجاری نتوانست ناهنجاری ها را تشخیص دهد.برای مقابله با این مسئله ، ما امکان انجام تشخیص ناهنجاری و تصفیه مخالف را به طور همزمان بررسی می کنیم.ما یک روش تشخیص ناهنجاری ضدعفونی کننده و در عین حال مؤثر را پیشنهاد می کنیم ، textit {advrad} ، که به مدل انتشار اجازه می دهد تا هم به عنوان یک آشکارساز ناهنجاری و هم تصفیه کننده مخالف عمل کند.ما همچنین روش پیشنهادی خود را برای استحکام معتبر به $ L_2 $ آشفتگی محدود شده محدود می کنیم.از طریق آزمایش های گسترده ، ما نشان می دهیم که روش پیشنهادی ما استحکام متضاد (معتبر) را نشان می دهد و در عین حال عملکرد تشخیص ناهنجاری به همان اندازه قوی را نیز با روشهای پیشرفته در مجموعه داده های معیار تشخیص ناهنجاری صنعتی حفظ می کند.