ترجمه فارسی مقاله TabularBench: محک زدن استحکام خصمانه برای یادگیری عمیق جدولی در موارد استفاده در دنیای واقعی

چکیده

While adversarial robustness in computer vision is a mature research field, fewer researchers have tackled the evasion attacks against tabular deep learning, and even fewer investigated robustification mechanisms and reliable defenses. We hypothesize that this lag in the research on tabular adversarial attacks is in part due to the lack of standardized benchmarks. To fill this gap, we propose TabularBench, the first comprehensive benchmark of robustness of tabular deep learning classification models. We evaluated adversarial robustness with CAA, an ensemble of gradient and search attacks which was recently demonstrated as the most effective attack against a tabular model. In addition to our open benchmark (https://github.com/serval-uni-lu/tabularbench) where we welcome submissions of new models and defenses, we implement 7 robustification mechanisms inspired by state-of-the-art defenses in computer vision and propose the largest benchmark of robust tabular deep learning over 200 models across five critical scenarios in finance, healthcare and security. We curated real datasets for each use case, augmented with hundreds of thousands of realistic synthetic inputs, and trained and assessed our models with and without data augmentations. We open-source our library that provides API access to all our pre-trained robust tabular models, and the largest datasets of real and synthetic tabular inputs. Finally, we analyze the impact of various defenses on the robustness and provide actionable insights to design new defenses and robustification mechanisms.

چکیده به فارسی (ترجمه ماشینی)

در حالی که استحکام مخالف در بینایی رایانه یک زمینه تحقیقاتی بالغ است ، محققان کمتری حملات فرار را علیه یادگیری عمیق جدولها مقابله کرده اند ، و حتی کمتر مکانیسم های استحکام و دفاع های قابل اعتماد کمتر مورد بررسی قرار گرفته اند.ما فرض می کنیم که این تاخیر در تحقیقات در مورد حملات مخالف جدولی تا حدودی به دلیل عدم وجود معیارهای استاندارد است.برای پر کردن این شکاف ، ما Tabularbench ، اولین معیار جامع از استحکام مدلهای طبقه بندی یادگیری عمیق جدولها را پیشنهاد می کنیم.ما استحکام مخالف را با CAA ارزیابی کردیم ، یک گروه از حملات شیب و جستجو که اخیراً به عنوان مؤثرترین حمله علیه یک مدل جدولی نشان داده شده است.علاوه بر معیار باز ما (https://github.com/serval-uni-lu/tabularbench) که در آن ما از ارسال مدلهای جدید و دفاع استقبال می کنیم ، 7 مکانیسم قدرتمند را با الهام از دفاع های پیشرفته در رایانه اجرا می کنیم.چشم انداز و پیشنهاد بزرگترین معیار یادگیری عمیق جدولها بیش از 200 مدل در پنج سناریوی مهم در امور مالی ، مراقبت های بهداشتی و امنیت.ما مجموعه داده های واقعی را برای هر مورد استفاده ، که با صدها هزار ورودی مصنوعی واقع گرایانه تقویت شده بود ، تنظیم کردیم و مدلهای خود را با و بدون افزایش داده ها آموزش داده و ارزیابی کردیم.ما کتابخانه خود را باز می کنیم که دسترسی API به تمام مدل های جدولی قوی از قبل آموزش داده شده ما و بزرگترین مجموعه داده های ورودی های جدولی واقعی و مصنوعی را فراهم می کند.سرانجام ، ما تأثیر دفاع های مختلف بر استحکام را تجزیه و تحلیل می کنیم و بینش های عملی را برای طراحی دفاعی جدید و مکانیسم های استحکام ارائه می دهیم.