ترجمه فارسی مقاله دفاع علّی تأیید شده با استحکام قابل تعمیم

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 Certified Causal Defense with Generalizable Robustness
عنوان مقاله به فارسی دفاع علّی تأیید شده با استحکام قابل تعمیم
نویسندگان Yiran Qiao, Yu Yin, Chen Chen, Jing Ma
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,Methodology,یادگیری ماشین , رمزنگاری و امنیت , روش شناسی ,
توضیحات Submitted 27 August, 2024; originally announced August 2024. , Comments: Submitted to AAAI
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: ارسال شده به AAAI
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

While machine learning models have proven effective across various scenarios, it is widely acknowledged that many models are vulnerable to adversarial attacks. Recently, there have emerged numerous efforts in adversarial defense. Among them, certified defense is well known for its theoretical guarantees against arbitrary adversarial perturbations on input within a certain range (e.g., $l_2$ ball). However, most existing works in this line struggle to generalize their certified robustness in other data domains with distribution shifts. This issue is rooted in the difficulty of eliminating the negative impact of spurious correlations on robustness in different domains. To address this problem, in this work, we propose a novel certified defense framework GLEAN, which incorporates a causal perspective into the generalization problem in certified defense. More specifically, our framework integrates a certifiable causal factor learning component to disentangle the causal relations and spurious correlations between input and label, and thereby exclude the negative effect of spurious correlations on defense. On top of that, we design a causally certified defense strategy to handle adversarial attacks on latent causal factors. In this way, our framework is not only robust against malicious noises on data in the training distribution but also can generalize its robustness across domains with distribution shifts. Extensive experiments on benchmark datasets validate the superiority of our framework in certified robustness generalization in different data domains. Code is available in the supplementary materials.

چکیده به فارسی (ترجمه ماشینی)

در حالی که مدل های یادگیری ماشین در سناریوهای مختلف اثبات شده اند ، به طور گسترده ای اذعان می شود که بسیاری از مدل ها در برابر حملات مخالف آسیب پذیر هستند.به تازگی ، تلاش های بی شماری در دفاع مخالف انجام شده است.در میان آنها ، دفاع معتبر به دلیل ضمانت های نظری خود در برابر آشفتگی مخالفان دلخواه در ورودی در یک محدوده خاص (به عنوان مثال ، توپ L_2 $) شناخته شده است.با این حال ، بیشتر آثار موجود در این خط برای تعمیم استحکام معتبر خود در سایر حوزه های داده با تغییر توزیع تلاش می کنند.این مسئله ریشه در دشواری از بین بردن تأثیر منفی همبستگی های فریبنده بر استحکام در حوزه های مختلف دارد.برای پرداختن به این مشکل ، در این کار ، ما یک چارچوب دفاعی معتبر جدید را پیشنهاد می کنیم ، که یک دیدگاه علی را در مشکل عمومی سازی در دفاع معتبر قرار می دهد.به طور خاص ، چارچوب ما یک مؤلفه یادگیری علی و علی را برای جدا کردن روابط علی و همبستگی های تحریک آمیز بین ورودی و برچسب ادغام می کند و از این طریق اثر منفی همبستگی های فریبنده در دفاع را حذف می کند.مهمتر از آن ، ما یک استراتژی دفاعی دارای مجوز علیت را برای انجام حملات مخالف به عوامل علی نهفته طراحی می کنیم.به این ترتیب ، چارچوب ما نه تنها در برابر صداهای مخرب در مورد داده های توزیع آموزش قوی است بلکه می تواند استحکام آن را در حوزه ها با تغییر توزیع تعمیم دهد.آزمایش های گسترده در مجموعه داده های معیار ، برتری چارچوب ما در تعمیم استحکام معتبر در حوزه های مختلف داده را تأیید می کند.کد در مواد تکمیلی موجود است.

📚 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.