FrePGAN: Robust Deepfake Detection Using Frequency-level Perturbations
Samsung SDS(三星SDS);Chung-Ang University(中央大学)
已经提出了各种deepfake检测器,但是在训练设置之外检测未知类别或GAN模型的图像仍然存在挑战。这些问题源于过拟合问题,我们从自己的分析和以前的研究中发现,过拟合问题源于生成图像中的频率级伪影。我们发现,忽略频率级伪影可以提高检测器在各种GAN模型中的泛化能力,但它会降低训练后的GAN模型的模型性能。因此,我们设计了一个框架来概括已知和未知GAN模型的deepfake检测器。我们的框架生成的频率级扰动映射,使生成的图像与真实图像难以区分。通过更新deepfake检测器以及扰动生成器的训练,我们的模型被训练为在初始迭代时检测频率级伪影,并在最后迭代时考虑图像级不规则性。对于实验,我们设计了新的测试场景,这些场景与GAN模型中的训练设置、颜色操作和对象类别不同。大量实验验证了我们的deepfake检测器的最先进性能。
2022-02-07 cs.CV cs.LG eess.IV
Geometric GAN
ETRI(韩国电子通信研究院);KAIST(韩国科学技术院)
生成对抗网络(GANs)代表了有效生成模型的一个重要里程碑,它激发了许多看似彼此不同的变体。本文的主要贡献之一是揭示了GAN及其变体的统一几何结构。具体来说,我们证明了对抗生成模型训练可以分解为三个几何步骤:分离超平面搜索,远离分离超平面的参数更新,以及沿着分离超平面的法向量方向的生成器更新。这种几何直观揭示了现有方法的局限性,并导致我们提出了一种新的配方称为几何GAN使用SVM分离超平面,最大限度地提高利润。我们的理论分析表明,几何GAN收敛到一个纳什均衡之间的发电机和发电机。此外,大量的数值结果表明,几何GAN的优越性能。
2017-05-09 cond-mat.dis-nn cs.AI cs.CV
ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation
University of Western Australia(西澳大学)
深度神经网络(DNN)在文本分类中的良好性能吸引了研究人员将其用于欺诈评论检测。然而,缺乏可信的标记数据限制了当前解决方案在检测欺诈评论方面的性能。生成对抗网络(GAN)作为一种半监督方法已被证明是有效的数据增强的目的。最先进的解决方案利用GANs来克服数据稀缺问题。然而,他们未能将行为线索在欺诈产生。此外,最先进的方法忽略了数据集中可能的机器人生成的评论。最后,它们还受到GAN的可扩展性和稳定性的共同限制,从而减慢了训练过程。在这项工作中,我们提出了Scoregan欺诈审查检测,利用审查文本和审查评级分数的生成和检测过程。通过信息增益最大化(IGM)将分数并入损失函数中有三个原因。一种是根据给生成器的分数生成分数相关的评论。其次,生成的评论被用来训练机器人,因此机器人可以通过从从文本和分数中提取的单词表示的全球向量(GLoVe)的级联中学习的联合表示来正确地标记可能的机器人生成的评论。最后,它可以用于提高GAN的稳定性和可扩展性。结果表明,该框架优于现有的最先进的框架,即FakeGAN,在AP方面的7%,和5%的Yelp和TripAdvisor数据集,分别。
2021-03-17 cs.CR cs.LG stat.ML
Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning
Southwestern University of Finance and Economics(西南财经大学);Shenzhen University(深圳大学);University of Nottingham(诺丁汉大学)
异常检测在机器智能中有着广泛的应用,但仍然是一个尚未解决的难题。主要的挑战包括标记异常的罕见性,这是一类高度不平衡的问题。传统的无监督异常检测器是次优的,而监督模型可以很容易地对正常数据进行有偏的预测。本文通过引入新型集成主动学习生成对抗网络(EAL-GAN),提出了一种新的有监督异常检测器。EAL-GAN是一种条件GAN,具有唯一的一个生成器对多个鉴别器架构,其中异常检测由鉴别器的辅助分类器实现。除了使用条件GAN生成类平衡的补充训练数据外,还设计了一种创新的集成学习损失函数,确保每个类的学习都能弥补其他类的学习不足,以克服类不平衡问题,并引入主动学习算法,以显著降低标注真实世界数据的成本。我们提出了广泛的实验结果表明,新的异常检测器始终优于各种SOTA方法的显着利润率。代码可以在Github上找到。
2021-04-24 cs.LG
Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN
Peking University(北京大学)
近年来,机器学习已被用于检测新的恶意软件,而恶意软件作者具有攻击此类算法的强烈动机。恶意软件作者通常无法访问恶意软件检测系统使用的机器学习模型的详细结构和参数,因此他们只能执行黑盒攻击。本文提出了一种基于生成对抗网络(GAN)的算法MalGAN来生成对抗恶意软件示例,该示例能够绕过基于黑盒机器学习的检测模型。MalGAN使用替代检测器来适应黑盒恶意软件检测系统。生成网络被训练以最小化由替代检测器预测的生成的对抗性示例的恶意概率。与传统的基于梯度的对抗性示例生成算法相比,MalGAN的优势在于,MalGAN能够将检测率降低到几乎为零,并且使基于再训练的对抗性示例防御方法难以工作。
2017-02-20 cs.CR cs.LG
Quantum Generative Adversarial Networks in a Continuous-Variable Architecture to Simulate High Energy Physics Detectors
University of Oviedo(奥维耶多大学)
深度神经网络(DNN)在高能物理(HEP)中备受关注,以处理下一代加速器中遇到的越来越多的数据。最近,HEP社区建议使用生成对抗网络(GANs)来取代传统的基于蒙特卡罗方法的耗时Geant 4模拟。在深度学习取得进展的同时,在过去十年中,人们对量子计算进行了有趣的研究,包括IBM提出的量子GAN模型。然而,该模型在学习离散变量的概率分布方面受到限制,而我们最初的目标是在HEP中再现连续变量的分布。介绍并分析了一种新的用于连续变量量子计算的量子GAN(qGAN)原型,它将量子信息编码在一个连续的物理可观测量中。两个CV qGAN模型与量子和经典的量子阱已被测试,以再现量热计输出在一个减小的尺寸,并讨论了它们的优点和局限性。
2021-01-26 cs.LG quant-ph
Towards Reliable Neural Generative Modeling of Detectors
Istituto Nazionale di Fisica Nucleare(意大利国家核物理研究所);Università degli Studi di Firenze(佛罗伦萨大学);HSE University(高等经济大学)
大型强子对撞机和下一代对撞机实验未来数据的亮度不断增加,需要产生前所未有的模拟事件。这种大规模生产需要大量有价值的计算资源。这就需要使用新的方法来生成事件和模拟检测器响应。本文讨论了生成对抗网络(GANs)在LHCb实验事件模拟中的应用。我们强调了GANs应用中的主要陷阱,并详细研究了系统效应。所给出的结果是基于Geant4模拟的LHCb切伦科夫探测器。
2022-04-21 cs.LG hep-ex physics.ins-det
GANG-MAM: GAN based enGine for Modifying Android Malware
University of Kerala(喀拉拉大学);University of Sannio(桑尼奥大学);Cochin University of Science and Technology(科钦科技大学)
基于机器学习的恶意软件检测器容易受到对抗攻击的攻击。生成对抗网络(GAN)是基于神经网络的架构,可以生成成功的对抗样本。对这项技术的兴趣正在迅速增长。在本文中,我们提出了一个系统,产生一个特征向量,使Android恶意软件强烈回避,然后相应地修改恶意程序。这样的系统可以有双重贡献:它可以用来生成数据集,以验证检测基于GAN的恶意软件的系统,并扩大训练和测试数据集,以制作更强大的恶意软件分类器。
2021-09-27 cs.AI cs.CR cs.LG
DVGAN: Stabilize Wasserstein GAN training for time-domain Gravitational Wave physics
Centre of Actionable Research(可操作研究中心);Open University(开放大学);Heerlen, Netherlands(荷兰海伦)
针对引力波时域信号模拟需求,提出带辅助导数判别器的三方WGAN模型DVGAN,可稳定训练过程、提升生成信号质量,还可模拟先进LIGO探测器的真实瞬态噪声。
2022-09-29 astro-ph.IM cs.LG gr-qc
Towards Discovery and Attribution of Open-world GAN Generated Images
University of Maryland, College Park(马里兰大学帕克分校)
随着生成对抗网络(GANs)的最新进展,媒体和视觉取证必须开发能够识别图像并将其归因于生成它们的模型的检测器。现有的工作表明,属性的图像,以其相应的GAN源具有高精度。然而,这些工作仅限于闭集场景,无法推广到在训练时间内看不见的GANs,因此无法随着新GANs的稳定涌入而扩展。我们提出了一种迭代算法,通过利用所有GANs在其生成的图像上留下不同指纹的事实,来发现从以前看不见的GANs生成的图像。我们的算法包括多个组件,包括网络训练,分布外检测,聚类,合并和细化步骤。通过大量的实验,我们表明,我们的算法发现看不见的GANs具有很高的准确性,也推广到GANs训练看不见的真实数据集。我们还将我们的算法应用于在线方式的GANs的归属和发现,以及更标准的真/假检测任务。我们的实验证明了我们的方法在发现新的GANs方面的有效性,并且可以在开放世界的设置中使用。
2021-09-20 cs.CV cs.LG
Generative Adversarial Networks for the fast simulation of the Time Projection Chamber responses at the MPD detector
HSE University(高等经济大学);Yandex School of Data Analysis(Yandex数据分析学院);Joint Institute for Nuclear Research(联合核研究所);Petersburg Nuclear Physics Institute(彼得堡核物理研究所)
详细的探测器仿真模型对于现代高能物理实验的成功运行至关重要。在大多数情况下,这种详细的模型需要大量的计算资源来运行。通常可能无法提供这种服务,因此需要资源密集程度较低的办法。在这项工作中,我们证明了生成对抗网络(GAN)的适用性,这种快速仿真模型的基础上的情况下的时间投影室(TPC)在MPD检测器在NICA加速器复杂。与详细模拟相比,我们基于GAN的TPC原型模型的工作速度快了一个数量级以上,而生成数据的高级重建特性的质量没有任何明显下降。比较了直接和间接质量度量优化方法。
2022-03-30 cs.LG physics.ins-det
Video Content Swapping Using GAN
Carnegie Mellon University(卡内基梅隆大学)
视频生成是计算机视觉中一个有趣的问题。深度生成模型在数据增强、动画特效、AR/VR等领域有着广泛的应用,随着深度学习技术的发展,人们提出了许多深度生成模型来解决这一问题。这些深度生成模型可以在线利用所有未标记的图像和视频,因为它可以以无监督的方式学习深度特征表示。这些模型还可以生成不同类型的图像,具有很大的视觉应用价值。然而,生成视频将更具挑战性,因为我们不仅需要建模视频中对象的外观,还需要建模它们的时间运动。在这项工作中,我们将把视频中的任何帧分解为内容和姿势。我们首先使用预先训练的人体姿势检测从视频中提取姿势信息,并使用生成模型基于内容代码和姿势代码合成视频。
2021-11-21 cs.CV cs.LG
SpoC: Spoofing Camera Fingerprints
University Federico II of Naples(那不勒斯费德里科二世大学);Technical University of Munich(慕尼黑工业大学)
由于合成媒体生成的快速进展,创建逼真的虚假图像变得非常容易。这些图像可以用来包装“丰富”的假新闻,提高可信度,催生新一波高影响力,高风险的错误信息运动。因此,有一个快速增长的兴趣,在可靠的检测器的操纵媒体。迄今为止,最强大的检测器依赖于任何设备在其获取的所有图像上留下的细微痕迹。特别是,由于专有的相机内处理,如去马赛克或压缩,每个相机型号都会留下可用于法医分析的商标痕迹。目标图像中这些痕迹的缺失或扭曲是操纵的强烈暗示。在本文中,我们挑战这样的检测器,以更好地了解他们的漏洞。这是一个重要的研究,以建立更好的伪造检测器能够面对恶意攻击。我们的建议包括一种基于GAN的方法,将相机轨迹注入合成图像。给定GAN生成的图像,我们将特定相机模型的痕迹插入其中,并欺骗最先进的检测器,使其相信图像是由该模型获取的。同样,我们欺骗合成GAN图像的独立检测器,使其相信图像是真实的。实验证明了所提出的方法在广泛的条件下的有效性。此外,不需要关于被攻击检测器的先验信息,而仅需要来自目标相机的样本图像。
2021-04-22 cs.CR cs.CV cs.LG
Annealing Genetic GAN for Minority Oversampling
University of Edinburgh(爱丁堡大学);Imperial College London(伦敦帝国学院)
准确把握少数民族阶层的分布是克服阶层失衡问题的关键。生成对抗网络(GANs)已经显示出一些解决类不平衡问题的潜力,因为它们能够在给定充足的训练数据样本的情况下再现数据分布。然而,一个或多个类的稀缺样本仍然对GANs学习少数类的准确分布构成了巨大的挑战。在这项工作中,我们提出了一个退火遗传GAN(AGGAN)方法,其目的是再现的分布最接近的少数类使用有限的数据样本。我们的AGGAN将GANs的训练更新为一个包含模拟退火机制的进化过程。特别是,生成器使用不同的训练策略来生成多个后代并保留最好的。然后,我们在模拟退火中使用Metropolis准则来决定我们是否应该更新生成器的最佳后代。由于Metropolis准则允许有一定的机会接受更差的解决方案,因此它使我们的AGGAN能够远离局部最优。根据理论分析和多个不平衡图像数据集上的实验研究,我们证明了所提出的训练策略可以使我们的AGGAN从稀缺的样本中再现少数类的分布,并为类不平衡问题提供了一个有效和鲁棒的解决方案。
2020-08-05 cs.LG cs.NE stat.ML
Towards Diverse Paraphrase Generation Using Multi-Class Wasserstein GAN
Tsinghua University(清华大学);Department of Electronic Engineering, Tsinghua University(清华大学电子工程系);Xiamen University(厦门大学);Department of Communication Engineering, Xiamen University(厦门大学通信工程系);Key Laboratory of Digital Fujian on IoT Communication, Architecture and Security Technology, Xiamen University(厦门大学福建省数字物联网通信、架构与安全技术重点实验室)
释义生成是自然语言处理中一项重要而又具有挑战性的任务。在这项工作中,我们提出了一个深度生成模型来生成具有多样性的释义。我们的模型是基于一个编码器-解码器架构。一个额外的代码转换器被用来将一个句子转换成它的释义潜码。转码器以一个显式的模式嵌入变量为条件,通过对模式嵌入变量进行采样,可以生成不同的释义。我们使用Wasserstein GAN来对齐真实和生成的释义样本的分布。我们对Wasserstein GAN提出了一个多类扩展,它允许我们的生成模型从正样本和负样本中学习。在Wasserstein距离中,所生成的释义分布被强制向正实分布靠拢,并被推离负分布。我们在两个数据集中测试了我们的模型,包括自动度量和人工评估。结果表明,我们的模型可以生成流畅和可靠的释义样本,优于最先进的结果,同时也提供了合理的可变性和多样性。
2019-09-30 cs.CL cs.LG
Synthesizing Unrestricted False Positive Adversarial Objects Using Generative Models
ETH Zurich(苏黎世联邦理工学院);ABB Future Labs(ABB未来实验室)
对抗性示例是被神经网络错误分类的数据点。最初,对抗性示例仅限于向给定图像添加小扰动。最近的工作引入了无限制对抗示例的广义概念,对添加的扰动没有限制。在本文中,我们介绍了一种新的攻击类别,它可以为目标检测创建不受限制的对抗性示例。我们的关键思想是生成与目标对象检测器识别的类无关的对抗对象。与以前的攻击不同,我们使用现成的生成对抗网络(GAN),不需要任何进一步的训练或修改。我们的方法包括搜索潜在的正常空间的GAN的敌对对象被错误地识别的目标对象检测器。我们在常用的Faster R-CNN ResNet-101,Inception v2和SSD Mobilenet v1对象检测器上使用在CIFAR-10上训练的徽标生成iWGAN-LC和SNGAN来评估这种方法。实验结果表明,生成的对抗对象与GANs生成的非对抗对象无法区分,在对象检测器之间可转移,并且在物理世界中具有鲁棒性。这是第一次研究用于目标检测的无限制假阳性对抗示例。
2020-05-19 cs.CR cs.CV cs.LG
Affine Disentangled GAN for Interpretable and Robust AV Perception
TUV SUD Singapore(新加坡TUV南德意志集团);Nanyang Technological University(南洋理工大学)
随着计算机视觉算法的发展,自动驾驶汽车(AV)发展迅速。深度卷积神经网络作为这一进步的主要贡献者,大大提高了分类精度。然而,对抗性例子的发现揭示了数据集和现实世界之间的泛化差距。此外,仿射变换还可能混淆基于计算机视觉的对象检测器。感知系统的退化对于诸如自主车辆的安全关键系统是不期望的。本文提出了一种深度学习系统:仿射解纠缠GAN(ADIS-GAN),它对仿射变换和对抗攻击具有鲁棒性。仿真结果表明,传统的仿射变换数据增强和对抗攻击数据增强是正交的,而ADIS-GAN可以同时处理这两种攻击。在ADIS-GAN中还生成有用的信息,如图像旋转角度和缩放因子。在MNIST数据集上,ADIS-GAN可以在30度旋转范围内达到98%以上的分类准确率,并且可以在FGSM和PGD对抗攻击时达到90%以上的分类准确率。
2019-07-06 cs.CV cs.LG eess.IV
Detecting small polyps using a Dynamic SSD-GAN
University College London(伦敦大学学院);Odin Vision(奥丁视觉(Odin Vision));Wellcome/EPSRC Centre for Interventional and Surgical Sciences (WEISS)(惠康/工程与物理科学研究委员会介入与外科科学中心(WEISS))
内窥镜检查用于检查喉咙,胃和肠的息肉,这些息肉可能发展成癌症。可以训练机器学习系统来处理结肠镜检查图像并检测息肉。然而,这些系统往往对图像中视觉上看起来很小的对象表现不佳。这里显示,将单次检测器作为区域建议网络与逆向训练的生成器相结合以上采样小区域建议可以显着提高视觉小息肉的检测。与传统的FCN基线相比,本文介绍的动态SSD-GAN管道在视觉上小的息肉上实现了12%的灵敏度提高。
2020-10-29 cs.CV cs.LG
The use of Generative Adversarial Networks to characterise new physics in multi-lepton final states at the LHC
University of the Witwatersrand(金山大学)
机器学习中的半监督可用于搜索信号加背景区域未标记的新物理。这大大降低了搜索标准模型之外的信号时的模型依赖性。这种方法的缺点在于过度拟合可能会产生假信号。抛玩具蒙特卡罗(MC)事件可以用来估计相应的试验因子,通过频率论推理。然而,基于全检测器模拟的MC事件是资源密集型的。生成对抗网络(GANs)可以用来模拟MC生成器。GANs是强大的生成模型,但通常存在训练不稳定性。下面我们将对GANs进行回顾。我们提倡使用Wasserstein GAN(WGAN)与权重裁剪和WGAN与梯度惩罚(WGAN-GP),其中批评家的梯度范数相对于其输入被惩罚。随着多轻子异常的出现,我们应用GANs在LHC上生成与$b$ -夸克相关的双轻子终态。MC和WGAN-GP产生的事件之间的一个很好的协议被发现在研究中选择的观测值。
2022-02-03 cs.LG hep-ex hep-ph
EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets
Universität Hamburg(汉堡大学);Center for Data and Computing in Natural Sciences(自然科学数据与计算中心);Massachusetts Institute of Technology(麻省理工学院)
针对高能对撞机模拟需求,提出基于深度集合的EPiC-GAN等变点云生成对抗网络,无需粒子间成对信息共享,可生成可变粒子数的喷注点云,速度优于图与Transformer类方法,在基准任务上实现高保真生成。
2023-07-12 cs.LG hep-ex hep-ph
cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and Glitch Generation
Faculty of Science, Open Universiteit(科学学院,开放大学);Institute for Gravitational and Subatomic Physics (GRASP), Utrecht University(引力与亚原子物理研究所(GRASP),乌特雷赫大学);Nikhef(Nikhef研究所)
本研究提出新型条件GAN模型cDVGAN,通过引入分析一阶导数的辅助判别器,可生成多类引力波、探测器干扰信号及混合样本,在复现信号特征、提升CNN检测性能上优于基线模型。
2024-08-12 cs.LG gr-qc physics.ins-det
Anomaly Detection of Adversarial Examples using Class-conditional Generative Adversarial Networks
Pennsylvania State University(宾夕法尼亚州立大学)
深度神经网络(DNN)已被证明容易受到测试时规避攻击(TTE或对抗性示例)的影响,这些攻击通过对输入进行微小的更改,改变DNN的决策。我们提出了一种基于类条件生成对抗网络(GANs)的DNN分类器的无监督攻击检测器。我们通过辅助分类器GAN(AC-GAN)对预测类标签条件下的干净数据的分布进行建模。给定测试样本及其预测类,基于AC-GAN生成器和鉴别器计算三个检测统计量。在各种TTE攻击下的图像分类数据集上的实验表明,该方法优于以往的检测方法。我们还研究了使用不同DNN层(输入特征或内部层特征)进行异常检测的有效性,并证明,正如人们所料,使用更接近DNN输出层的特征更难检测到异常。
2022-05-12 cs.LG eess.IV
Physics Validation of Novel Convolutional 2D Architectures for Speeding Up High Energy Physics Simulations
CERN(欧洲核子研究中心);RWTH Aachen University(亚琛工业大学);DESY(德国电子同步加速器研究所)
精确模拟粒子通过探测器的传输仍然是成功解释高能物理结果的关键因素。然而,基于蒙特卡罗的模拟在计算资源方面要求极高。这一挑战促使人们研究更快的替代方法来取代标准的蒙特卡罗方法。我们应用生成对抗网络(GANs),一种深度学习技术,来取代热量计检测器模拟,并将模拟时间加快了几个数量级。我们遵循之前使用三维卷积神经网络的方法,并开发新的二维卷积网络来更快地解决相同的3D图像生成问题。此外,我们增加了参数的数量和神经网络的代表能力,获得了更高的精度。我们比较了我们最好的卷积2D神经网络架构,并将其与以前的3D架构和Geant 4数据进行了评估。我们的研究结果证明了高的物理精度,并进一步巩固了GANs在快速检测器模拟中的应用。
2021-05-19 cs.LG hep-ex
$μ$Flow: Leveraging Average Images for Improving Generalisation of Deepfake Faces Detectors
University of Catania(卡塔尼亚大学);University of Nottingham(诺丁汉大学)
提出仅用真实图像训练的单类深度伪造检测器$μ$Flow,通过平均图像放大生成痕迹并利用归一化流对齐特征分布,实现跨生成器类别的高泛化性能。
2026-08-17 cs.CV cs.LG
Hyperparameter Optimization of Generative Adversarial Network Models for High-Energy Physics Simulations
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
生成对抗网络(GAN)是一种强大而灵活的工具,可以通过学习生成高保真的合成数据。它在高能物理事件模拟中有着广泛的应用,包括探测器响应和物理事件的模拟。然而,训练GANs是出了名的困难,优化它们的超参数更是如此。它通常需要多次试错训练尝试,以迫使稳定的训练并达到合理的保真度。为了达到物理分析所要求的精度,必须进行大量的调谐工作。这项工作使用物理不可知和高性能计算机友好的超参数优化工具HYPPO来优化和检查两个独立的HEP数据集的GAN的超参数的灵敏度。这项工作提供了第一个见解,有效地调整大型强子对撞机数据的GANs。我们表明,如果进行适当的超参数调整,我们可以找到GANs,提供所需数量的高质量近似。我们还提供了如何使用HYPPO中的分析工具进行GAN架构调优的指导。
2022-10-21 cs.LG hep-ex physics.comp-ph
CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows
Rutgers University(罗格斯大学)
本文提出基于归一化流的快速探测器模拟框架CaloFlow,首次证明其能以高保真度生成多通道量能器簇射,并在分类器判别指标上优于GAN,同时具备可计算似然、稳定训练和双射映射等优势。
2023-05-05 cs.LG hep-ex hep-ph
Synthetic flow-based cryptomining attack generation through Generative Adversarial Networks
Universidad Politécnica de Madrid(马德里理工大学);Universidad Complutense de Madrid(马德里康普顿斯大学);Instituto de Ciencias Matemáticas (CSIC-UAM-UCM-UC3M)(数学科学研究所(西班牙国家研究委员会-马德里自治大学-马德里康普顿斯大学-卡洛斯三世大学));Telefónica I+D(西班牙电信研发公司)
由于互联网中网络攻击的日益增加,基于流的数据集对于提高基于网络的入侵检测系统(IDS)中运行的机器学习(ML)组件的性能至关重要。为了克服现有网络流量数据在攻击分析中的不足,最近的工作提出了生成对抗网络(GANs),用于基于合成流的网络流量生成。在处理此类网络数据时,数据隐私越来越成为一个强有力的要求,这表明要找到合成数据可以完全取代真实数据的解决方案。由于GAN训练的不收敛性,现有的解决方案都不能生成高质量的完全合成数据,可以完全替代IDS ML组件训练中的真实数据。因此,他们将真实数据与合成数据混合在一起,合成数据仅作为数据增强组件,导致使用真实数据时隐私泄露。与此形成鲜明对比的是,在这项工作中,我们提出了一种新的确定性方法来测量由GAN产生的合成数据的质量,无论是相对于真实数据还是用于ML任务时的性能。作为一个副产品,我们提出了一个启发式,使用这些指标来选择最好的性能发电机在GAN训练,导致停止标准。当不同类型的合成数据要用于同一ML任务时,提出了一种额外的启发式算法来选择性能最佳的GANs。我们证明了我们的建议的充分性,通过使用Wasserstein GAN的增强版本生成合成的加密挖矿攻击流量和基于正常流量的数据。我们表明,生成的合成网络流量可以完全取代真实数据时,训练基于ML的密码挖掘检测器,获得类似的性能,并避免侵犯隐私,因为真实数据不用于基于ML的检测器的训练。
2021-07-30 cs.CR cs.LG
MDGAN: Boosting Anomaly Detection Using \\Multi-Discriminator Generative Adversarial Networks
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
由于难以获得用于训练的异常样本以及需要获得足够量的训练数据,异常检测通常被认为是机器学习的具有挑战性的领域。近年来,自动编码器已被证明是有效的异常检测器,训练只对“正常”的数据。生成对抗网络(GANs)已被用于为分类器生成额外的训练样本,从而使它们更准确和鲁棒。然而,在异常检测中,GANs仅用于重建现有样本,而不是生成额外的样本。这是因为大多数领域的异常数据量小且缺乏多样性。在这项研究中,我们提出了MDGAN,一种新的GAN架构,通过生成额外的样本来提高异常检测。我们的方法使用两个鉴别器:一个密集网络,用于确定生成的样本是否具有足够的质量(即,有效)和用作异常检测器的自动编码器。MDGAN使我们能够调和两个相互冲突的目标:1)生成可以欺骗第一个递归的高质量样本,2)生成最终可以被第二个递归有效重构的样本,从而提高其性能。对不同数据集的实证评估表明了我们方法的优点。
2018-10-11 cs.LG stat.ML
On the Effectiveness of Adversarial Samples against Ensemble Learning-based Windows PE Malware Detectors
University of Information Technology(信息技术大学);Vietnam National University Ho Chi Minh City(胡志明市越南国家大学)
本文提出FeaGAN模型,结合GAN与深度Q网络RL模型,通过保持格式、可执行性和恶意性生成对抗样本,以提升对集成学习Windows PE恶意软件检测器的逃避能力。
2023-09-25 cs.CR cs.LG
Compositional Transformers for Scene Generation
Stanford University(斯坦福大学);Facebook AI Research(Facebook人工智能研究院);Facebook, Inc.(Facebook公司)
我们介绍GANformer2模型,这是一个迭代的面向对象的Transformer,用于生成建模的任务。该网络结合了强大而明确的结构先验,以反映视觉场景的组成性质,并通过顺序过程合成图像。它分为两个阶段:一个快速和轻量级的规划阶段,我们起草了一个高层次的场景布局,其次是一个基于注意力的执行阶段,布局正在被细化,演变成一个丰富和详细的图片。我们的模型远离传统的黑盒GAN架构,该架构具有平坦和单片的潜在空间,朝向透明的设计,鼓励效率,可控性和可解释性。我们通过对一系列数据集(从多对象CLEVR场景到具有挑战性的COCO图像)的仔细评估来展示GANformer2的优势和质量,表明它在视觉质量,多样性和一致性方面成功实现了最先进的性能。进一步的实验证明了模型的解纠缠,并提供了对其生成过程的更深入的了解,因为它从粗略的初始草图一步一步地进行,到详细的布局,考虑对象的深度和依赖性,直到最终的高分辨率描绘充满活力和复杂的现实世界场景。有关模型实现,请参见https://github.com/dorarad/gansformer。
2021-11-17 cs.AI cs.CV cs.LG
Discriminating Against Unrealistic Interpolations in Generative Adversarial Networks
Lund University(隆德大学)
深度生成模型的潜在空间中的插值是合成生成样本的语义上有意义的混合的标准工具之一。由于生成函数是非线性的,通常使用的潜在空间中的线性插值不会产生样本空间中的最短路径,从而导致非光滑插值。因此,最近的工作配备了一个合适的度量的潜在空间,以执行最短路径的流形上生成的样本。然而,这些通常容易偏离真实样本的流形,导致平滑但不切实际的生成,需要额外的方法来评估样本质量。生成对抗网络(GANs)通过构建,使用其网络来衡量样本质量。在本文中,我们建立了,可以有效地使用,以避免沿最短路径的低样本质量的区域。通过重用神经网络来修改潜在空间上的度量,我们提出了一种轻量级的解决方案,用于改进预训练GANs中的插值。
2022-03-02 cs.LG
Hierarchical Channel Stacking: A Structured Decision Framework for AI-Generated Image Detection
Missouri University of Science & Technology(密苏里科学技术大学);University of Houston(休斯顿大学);Cranium AI, Inc.(颅人工智能公司)
本文提出分层通道堆叠(HCS)框架,将CNN中间激活转为结构化60维表示,在涵盖GAN和扩散生成器的基准测试中获86.7%准确率,可用于AI生成图像检测及相关证据整合机制研究。
2026-09-04 cs.CV cs.LG
Pattern Detection in the Activation Space for Identifying Synthesized Content
IBM Research(IBM研究院);University of Minnesota(明尼苏达大学)
生成对抗网络(GANs)最近在从低维随机噪声合成照片级逼真图像方面取得了前所未有的成功。大规模合成高质量内容的能力带来了潜在的风险,因为生成的样本可能导致错误信息,从而造成严重的社会、政治、健康和商业危害。我们提出了SubsetGAN,通过检测预训练神经网络内层的异常节点激活子集来识别生成的内容。这些节点作为一个组,最大化偏离从真实数据创建的激活的预期分布的非参数度量。这使我们能够识别合成图像,而无需事先知道它们的分布。SubsetGAN有效地对节点的子集进行评分,并返回预训练分类器中有助于获得最大分数的节点组。分类器可以是在来自多个源的样本上训练的通用伪分类器,或者是来自不同GANs的神经网络。我们的方法在几种最先进的GANs(PGGAN,StarGAN和CycleGAN)和不同比例的生成内容中显示出比现有检测方法更高的检测能力。
2021-05-27 cs.CR cs.CV cs.LG
A Convenient Infinite Dimensional Framework for Generative Adversarial Learning
University of Wuppertal(伍珀塔尔大学);Institute of Mathematical Modelling, Analysis and Computational Mathematics(数学建模、分析与计算数学研究所);Interdisciplinary Center for Machine Learning and Data Analytics(机器学习与数据分析跨学科中心)
近年来,生成对抗网络(GANs)已经展示了令人印象深刻的实验结果,而只有少数作品为GANs培养统计学习理论。在这项工作中,我们提出了一个生成对抗学习的无限维理论框架。我们假设基本测度的概率密度函数是一致有界的,$k$ -倍$α$ -Hölder可微的($C^{k,α}$),并且一致有界远离零。在这些假设下,我们证明了Rosenblatt变换诱导出一个最优生成元,该最优生成元在$C^{k,α}$ -生成元的假设空间中是可实现的.通过对判别器的假设空间的一致定义,我们进一步证明了由对抗学习过程中的生成器诱导的分布与数据生成分布之间的Jensen-Shannon散度收敛到零。在数据生成过程的密度上的某些规律性假设下,我们还提供了基于链接和集中的收敛速率。
2023-01-19 cs.LG math.ST stat.TH
Adapt then Unlearn: Exploring Parameter Space Semantics for Unlearning in Generative Adversarial Networks
Indian Institute of Science(印度科学学院);Indian Institute of Technology Patna(巴特那印度理工学院)
针对训练数据集不可访问的预训练GAN,提出两阶段“先适配后遗忘”方法,通过适配负样本、引入排斥正则化器,在保持生成质量的同时实现不期望特征遗忘,为高保真度GAN的遗忘任务提供首个解决方案。
2025-02-12 cs.AI cs.CV cs.LG
Ultra-High-Resolution Detector Simulation with Intra-Event Aware GAN and Self-Supervised Relational Reasoning
Ludwig Maximilians University in Munich(慕尼黑路德维希·马克西米利安大学);Helmholtz AI(亥姆霍兹人工智能);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出IEA-GAN,通过关系推理模块和自监督损失实现超高颗粒度探测器完整模拟,并在Belle II的PXD上验证了其生成高保真多样样本的能力。
2024-08-01 cs.AI cs.CV hep-ph
PE-GAN: Prior Embedding GAN for PXD images at Belle II
Faculty of Physics(物理学院);Ludwig Maximilians University of Munich(慕尼黑大学)
针对Belle II探测器PXD背景噪声样本存储需求大且需避免系统偏差的问题,提出基于条件GAN与对比学习的按需PXD背景生成器PE-GAN,以提升图像保真度并生成依赖传感器的击中图。
2023-03-01 cs.CV hep-ph stat.ML
How to GAN LHC Events
LHC的事件生成可以通过生成对抗网络来补充,生成对抗网络生成物理事件并避免非常低效的事件减重。对于顶部对生产,我们展示了这样的网络如何描述中间壳粒子,相空间边界和尾部的分布。特别是,我们引入了最大平均差异来解决尖锐的局部特征。它可以以简单的方式扩展到包括例如离壳贡献、高阶或近似检测器效应。
2019-11-06 hep-ph
Machine learning-based event generator for electron-proton scattering
我们提出了一种新的基于机器学习的蒙特卡罗事件发生器,使用生成对抗网络(GANs),可以用校准的检测器模拟进行训练,以构建一个顶点级事件发生器,而无需对飞秒尺度物理学进行理论假设。我们的框架包括一个基于GAN的检测器折叠作为一个快速代理模型,模仿检测器模拟器。该框架进行了测试和验证的模拟包容性深非弹性散射数据以及现有的参数化探测器模拟,不确定性量化的基础上的统计自举技术。我们的研究结果首次提供了一个现实的概念验证,以减轻理论偏见,推断重建物理观测所需的顶点级事件分布。
2022-04-19 hep-ex hep-ph nucl-th
DijetGAN: A Generative-Adversarial Network Approach for the Simulation of QCD Dijet Events at the LHC
一个基于卷积神经网络的生成对抗网络(GAN)被用来模拟LHC中喷流对的产生。GAN在使用MadGraph5 + Pythia8和Delphes3快速检测器模拟生成的事件上进行训练。我们证明了一些运动学分布在蒙特卡洛真理水平和检测器模拟后,可以再现的生成器网络具有非常好的协议水平。代码可以从公开访问的在线存储库www.example.com中检出或派生。
2019-06-26 hep-ex hep-ph
Toward a generative modeling analysis of CLAS exclusive $2π$ photoproduction
本文首次将生成对抗网络(GANs)用于高能实验物理中消除双π光生过程的探测器效应,并通过 CLAS g11 运动学条件下的闭包测试验证其能在多维相空间中保持运动学相关性,为真实数据分析奠定基础。
2023-07-10 hep-ex hep-ph nucl-th