Open futakw opened 4 years ago
https://papers.nips.cc/paper/8307-adversarial-examples-are-not-bugs-they-are-features.pdf
・Adversarial Examplesになぜ脆弱なのか、という問いに対する分析論文。 ・非常に重要な示唆を行った面白い論文。
説明が難しいので詳しくは論文参照。 まず特徴量を以下の3種類に分類する。①有効な特徴量、②ロバストかつ有効な特徴量、③有効だがロバストではない特徴量。 （有効＝正解ラベルのco-relationが大きいfeature） （ロバスト＝inputに摂動を加えても変化しないfeature） ＜実験１＞ ロバストな特徴だけをもつRobust Datasetと、ノンロバストな特徴だけをもつNon-robust datasetを構築。それぞれで学習させ、normal, adversarialそれぞれに対する精度を見る。 ＜実験２＞ robust featureは「犬」でありnon-robust featureは「猫」であるようなAEに対し、正解ラベルを「猫」としたデータセットを構築し、学習させる。
＜実験１＞ ・non-robust featureは、高いnormal accuracyを得るのに十分な特徴だった！
＜実験２＞ ・学習データには、人間の目に猫に見える画像は「猫」ラベルがついておらずnon-robust featureだけ猫である画像があった。しかし、実際に猫の画像を与えると「猫」と判定することができた。 →猫のnon-robust featureをしっかり学んでいた。 ・モデルは、non-robust featureに汎化することができる！
・AEに対する脆弱性はバグではない！ただ、non-robustな特徴量にしっかり汎化しているだけである。 ・AEがnon-robustなfeatureに依存している限り、根本的にXAI（説明可能なAI）を作ることは不可能。 ・non-robust featureを無視するようにモデルを仕向けるためには、何らかの方法でhuman prior、つまり人間に特有な特徴量の選択（重み付け）を行う必要がある。
・非常に面白い観点からの指摘であり、AEをノイズとして除去しようとするのではなく、featureに対するhuman likeな priorを作る、という方向性が新たに指摘された気がする。 ・「ロバストな特徴量だけをもつ画像」の生成方法がなかなか特殊であり、本当に「ロバストな特徴量だけをもつ」のかは少し怪しいところはある。
論文リンク
https://papers.nips.cc/paper/8307-adversarial-examples-are-not-bugs-they-are-features.pdf
概要
・Adversarial Examplesになぜ脆弱なのか、という問いに対する分析論文。 ・非常に重要な示唆を行った面白い論文。
手法
説明が難しいので詳しくは論文参照。 まず特徴量を以下の3種類に分類する。①有効な特徴量、②ロバストかつ有効な特徴量、③有効だがロバストではない特徴量。 （有効＝正解ラベルのco-relationが大きいfeature） （ロバスト＝inputに摂動を加えても変化しないfeature） ＜実験１＞ ロバストな特徴だけをもつRobust Datasetと、ノンロバストな特徴だけをもつNon-robust datasetを構築。それぞれで学習させ、normal, adversarialそれぞれに対する精度を見る。 ＜実験２＞ robust featureは「犬」でありnon-robust featureは「猫」であるようなAEに対し、正解ラベルを「猫」としたデータセットを構築し、学習させる。
結果
＜実験１＞ ・non-robust featureは、高いnormal accuracyを得るのに十分な特徴だった！
＜実験２＞ ・学習データには、人間の目に猫に見える画像は「猫」ラベルがついておらずnon-robust featureだけ猫である画像があった。しかし、実際に猫の画像を与えると「猫」と判定することができた。 →猫のnon-robust featureをしっかり学んでいた。 ・モデルは、non-robust featureに汎化することができる！
主張
・AEに対する脆弱性はバグではない！ただ、non-robustな特徴量にしっかり汎化しているだけである。 ・AEがnon-robustなfeatureに依存している限り、根本的にXAI（説明可能なAI）を作ることは不可能。 ・non-robust featureを無視するようにモデルを仕向けるためには、何らかの方法でhuman prior、つまり人間に特有な特徴量の選択（重み付け）を行う必要がある。
議論
・非常に面白い観点からの指摘であり、AEをノイズとして除去しようとするのではなく、featureに対するhuman likeな priorを作る、という方向性が新たに指摘された気がする。 ・「ロバストな特徴量だけをもつ画像」の生成方法がなかなか特殊であり、本当に「ロバストな特徴量だけをもつ」のかは少し怪しいところはある。
関連論文