ترجمه فارسی مقاله جستجوی متقابل مودال مبتنی بر بازخورد برای حمله به مدلهای پیش از آموزش بینایی

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 Feedback-based Modal Mutual Search for Attacking Vision-Language Pre-training Models
عنوان مقاله به فارسی جستجوی متقابل مودال مبتنی بر بازخورد برای حمله به مدلهای پیش از آموزش بینایی
نویسندگان Renhua Ding, Xinze Zhang, Xiao Yang, Kun He
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced September 2024. , Comments: 9 pages
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 9 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Although vision-language pre-training (VLP) models have achieved remarkable progress on cross-modal tasks, they remain vulnerable to adversarial attacks. Using data augmentation and cross-modal interactions to generate transferable adversarial examples on surrogate models, transfer-based black-box attacks have become the mainstream methods in attacking VLP models, as they are more practical in real-world scenarios. However, their transferability may be limited due to the differences on feature representation across different models. To this end, we propose a new attack paradigm called Feedback-based Modal Mutual Search (FMMS). FMMS introduces a novel modal mutual loss (MML), aiming to push away the matched image-text pairs while randomly drawing mismatched pairs closer in feature space, guiding the update directions of the adversarial examples. Additionally, FMMS leverages the target model feedback to iteratively refine adversarial examples, driving them into the adversarial region. To our knowledge, this is the first work to exploit target model feedback to explore multi-modality adversarial boundaries. Extensive empirical evaluations on Flickr30K and MSCOCO datasets for image-text matching tasks show that FMMS significantly outperforms the state-of-the-art baselines.

چکیده به فارسی (ترجمه ماشینی)

اگرچه مدل های پیش از آموزش دیدگاه (VLP) به پیشرفت چشمگیر در کارهای متقاطع متوسط ​​دست یافته اند ، اما در برابر حملات مخالف آسیب پذیر هستند.با استفاده از تقویت داده ها و فعل و انفعالات متقاطع برای تولید نمونه های مخالف قابل انتقال در مدل های جانشین ، حملات جعبه سیاه مبتنی بر انتقال به روشهای اصلی در حمله به مدلهای VLP تبدیل شده است ، زیرا در سناریوهای دنیای واقعی عملی تر هستند.با این حال ، انتقال آنها ممکن است به دلیل تفاوت در بازنمایی ویژگی در مدلهای مختلف محدود باشد.برای این منظور ، ما یک الگوی حمله جدید به نام جستجوی متقابل معین مبتنی بر بازخورد (FMMS) پیشنهاد می کنیم.FMMS یک از دست دادن متقابل معین (MML) جدید را معرفی می کند ، با هدف دور کردن جفت های متن متناسب با تصویر در حالی که به طور تصادفی جفت های ناسازگار را در فضای ویژگی نزدیک تر می کنند و جهت های بروزرسانی نمونه های مخالف را هدایت می کنند.علاوه بر این ، FMMS بازخورد مدل هدف را به مثالهای مکرر تصفیه می کند و مثالهای مخالف را به طور تکراری تصفیه می کند و آنها را به منطقه مخالف سوق می دهد.به دانش ما ، این اولین کار برای بهره برداری از بازخورد مدل هدف برای کشف مرزهای مخالف چند مدلی است.ارزیابی های تجربی گسترده در مجموعه داده های FlickR30K و MSCOCO برای کارهای تطبیق متن تصویر نشان می دهد که FMM ها به طور قابل توجهی از خطوط پیشرفته ترین سطح استفاده می کنند.

📚 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.