ترجمه فارسی مقاله OTAD: یک مدل مقاوم بهینه القا شده توسط انتقال برای حمله خصمانه آگنوستیک

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 OTAD: An Optimal Transport-Induced Robust Model for Agnostic Adversarial Attack
عنوان مقاله به فارسی OTAD: یک مدل مقاوم بهینه القا شده توسط انتقال برای حمله خصمانه آگنوستیک
نویسندگان Kuo Gai, Sicong Wang, Shihua Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Optimization and Control,Machine Learning,یادگیری ماشین , هوش مصنوعی , بهینه سازی و کنترل , یادگیری ماشین ,
توضیحات Submitted 1 August, 2024; originally announced August 2024. , Comments: 14 pages, 2 figures
توضیحات به فارسی ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 14 صفحه ، 2 شکل

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 520,000 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 neural networks (DNNs) are vulnerable to small adversarial perturbations of the inputs, posing a significant challenge to their reliability and robustness. Empirical methods such as adversarial training can defend against particular attacks but remain vulnerable to more powerful attacks. Alternatively, Lipschitz networks provide certified robustness to unseen perturbations but lack sufficient expressive power. To harness the advantages of both approaches, we design a novel two-step Optimal Transport induced Adversarial Defense (OTAD) model that can fit the training data accurately while preserving the local Lipschitz continuity. First, we train a DNN with a regularizer derived from optimal transport theory, yielding a discrete optimal transport map linking data to its features. By leveraging the map's inherent regularity, we interpolate the map by solving the convex integration problem (CIP) to guarantee the local Lipschitz property. OTAD is extensible to diverse architectures of ResNet and Transformer, making it suitable for complex data. For efficient computation, the CIP can be solved through training neural networks. OTAD opens a novel avenue for developing reliable and secure deep learning systems through the regularity of optimal transport maps. Empirical results demonstrate that OTAD can outperform other robust models on diverse datasets.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی عمیق (DNN) در برابر آشفتگی های مخالف کوچک از ورودی ها آسیب پذیر هستند و یک چالش مهم برای قابلیت اطمینان و استحکام آنها ایجاد می کنند.روشهای تجربی مانند آموزش مخالف می توانند در برابر حملات خاص دفاع کنند اما در برابر حملات قدرتمندتر آسیب پذیر هستند.از طرف دیگر ، شبکه های Lipschitz استحکام معتبر را برای آشفتگی های غیب فراهم می کنند اما فاقد قدرت بیانگر کافی هستند.برای مهار مزایای هر دو رویکرد ، ما یک مدل دفاعی Defendarial Defense (OTAD) بهینه از حمل و نقل دو مرحله ای را طراحی می کنیم که می تواند ضمن حفظ استمرار محلی لیپشیتز ، داده های آموزشی را به طور دقیق متناسب کند.اول ، ما یک DNN را با یک تنظیم کننده مشتق شده از تئوری حمل و نقل بهینه آموزش می دهیم و یک نقشه حمل و نقل بهینه گسسته را به دست می آوریم که داده ها را به ویژگی های آن پیوند می دهد.با استفاده از نظم ذاتی نقشه ، ما با حل مسئله ادغام محدب (CIP) نقشه را برای تضمین خاصیت محلی Lipschitz ، نقشه را درون آن قرار می دهیم.OTAD برای معماری های متنوع Resnet و Transformer قابل گسترش است و آن را برای داده های پیچیده مناسب می کند.برای محاسبه کارآمد ، CIP را می توان از طریق آموزش شبکه های عصبی حل کرد.OTAD یک خیابان جدید برای توسعه سیستم های یادگیری عمیق قابل اعتماد و ایمن از طریق منظم بودن نقشه های حمل و نقل بهینه باز می کند.نتایج تجربی نشان می دهد که OTAD می تواند از سایر مدل های قوی در مجموعه داده های متنوع بهتر عمل 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.