Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020161546 - DISPOSITIF ET PROCÉDÉ POUR AMÉLIORER LA ROBUSTESSE CONTRE DES EXEMPLES CONTRADICTOIRES

Numéro de publication WO/2020/161546
Date de publication 13.08.2020
N° de la demande internationale PCT/IB2020/050176
Date du dépôt international 10.01.2020
CIB
G06N 20/00 2019.1
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
20Apprentissage automatique
G06K 9/62 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
KRECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
62Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
CPC
G06K 9/6256
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
G06K 9/6262
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6262Validation, performance evaluation or active pattern learning techniques
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
Déposants
  • ROBERT BOSCH GMBH [DE]/[DE]
  • CARNEGIE MELLON UNIVERSITY [US]/[US]
Inventeurs
  • KOLTER, Jeremy Zieg
  • SCHMIDT, Frank
  • COHEN, Jeremiah M.
Mandataires
  • HERR PATENTANWALT BEE, JOACHIM
Données relatives à la priorité
19155345.204.02.2019EP
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) DEVICE AND METHOD TO IMPROVE THE ROBUSTNESS AGAINST ADVERSARIAL EXAMPLES
(FR) DISPOSITIF ET PROCÉDÉ POUR AMÉLIORER LA ROBUSTESSE CONTRE DES EXEMPLES CONTRADICTOIRES
Abrégé
(EN)
A computer-implemented method for assessing a robustness of a smoothed classifier (g) for classifying sensor signals received from a sensor (30), comprising the steps of: - providing an input signal (x) depending on said sensor signal (S), - determining, by the smoothed classifier (g), a first value (pA) which characterizes a probability that said input signal (x), when subjected to noise will be classified as belonging to a first class (cA) out of a predefined plurality of classes, wherein said first class (cA) is a most probable class, - determining, by the smoothed classifier (g)), a second value (pB) which characterizes a probability that said input signal (x), when subjected to said noise (in particular Gaussian noise), will be classified as belonging to a second class (cB) out of said predefined plurality of classes, wherein said second class (cB) is a second-most probable class, - determining a robustness value {01) on a first inverse value (Φ-1(ρΑ)) of a standard Gaussian cumulative distribution function (Φ) at said first value (pA) and/or depending on a second inverse value (Φ-1(ρΒ)) of said standard Gaussian cumulative distribution function (Φ) at said second value (pg).
(FR)
L'invention porte sur un procédé mis en œuvre par ordinateur pour évaluer la robustesse d'un classifieur lissé {g) servant à classifier des signaux de capteur reçus d'un capteur (30), comprenant les étapes consistant à : - fournir un signal d'entrée (x) dépendant dudit signal de capteur (S), - déterminer, par le classifieur lissé (g), une première valeur (pA) qui caractérise une probabilité que ledit signal d'entrée (x), lorsqu'il est soumis à du bruit, soit classifié comme appartenant à une première classe (cA) parmi une pluralité prédéfinie de classes, ladite première classe (cA) étant une classe la plus probable, - déterminer, par le classifieur lissé (g), une deuxième valeur (pB) qui caractérise une probabilité que ledit signal d'entrée (x), lorsqu'il est soumis audit bruit (en particulier du bruit gaussien), soit classifié comme appartenant à une deuxième classe (cB) parmi ladite pluralité prédéfinie de classes, ladite deuxième classe (cB) étant une classe deuxième plus probable, - déterminer une valeur de robustesse (01) sur une première valeur inverse (Φ_1(ρΑ)) d'une fonction de distribution cumulative gaussienne standard (Φ) à ladite première valeur (pA) et/ou dépendant d'une deuxième valeur inverse (Φ_1(ρΒ)) de ladite fonction de distribution cumulative gaussienne standard (Φ) à ladite deuxième valeur (pB).
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international