اکسپرس 24
ترجمه فارسی مقاله تشخیص ناهنجاری صنعتی مقاوم در برابر نفوذ از طریق مدل انتشار

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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
عنوان مقاله به فارسی تشخیص ناهنجاری صنعتی مقاوم در برابر نفوذ از طریق مدل انتشار
نویسندگان Yuanpu Cao, Lu Lin, Jinghui Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,Computer Vision and Pattern Recognition,یادگیری ماشین , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.