|
|
Improving Robustness of Neural Networks against Adversarial Examples
Gaňo, Martin ; Matyáš, Jiří (oponent) ; Češka, Milan (vedoucí práce)
This work discusses adversarial attacks to image classifier neural network models. Our goal is to summarize and demonstrate adversarial methods to show that they pose a serious issue in machine learning. The important contribution of this work is the implementation of a tool for training a robust model against adversarial examples. Our approach is to minimize maximization the loss function of the target model. Related work and our own experiments leads us to use Projected gradient descent as a target attack, therefore, we train against data generated by Projected gradient descent. As a result using the framework, we can achieve accuracy more than 90% against sophisticated adversarial attacks.
|
|
|
Akcelerace neurostimulace pomocí metod umělé inteligence
Gaňo, Martin ; Chlebík, Jakub (oponent) ; Jaroš, Jiří (vedoucí práce)
Léčba pomocí transkraniálního ultrazvuku je rychle se rozvíjející doménou medicíny. Tato metoda přináší možnosti neinvazivní mozkové terapie, včetně ablace, neuromodulace nebo potenciálního otevření hematoencefalické bariéry pro následující léčbu. Zdravotník potřebuje neustále dostávat zpětnou vazbu o ultrazvukovém vlnovém poli v lidské lebce v reálném čase, aby mohl pomocí těchto technik provést léčbu. Tradiční metody pro simulaci monochromních ultrazvukových vln jsou výpočetně příliš drahé. Jejich použití by proto bylo pro tyto účely neproveditelné a přináší to potřebu alternativních metod.Tato práce navrhla a implementovala metodu řešení Helmholtzovy rovnice ve 3D prostoru pomocí neuronové sítě dosahující vyšší rychlosti konvergence. Návrh neuronové sítě využívá odlehčenou architekturu založenou na UNet. Hlavním předmětem zájmu této práce je neuromodulace, protože v této aplikaci je možné ignorovat několik proměnných a jevů, které by v jiných případech nebyly zanedbatelné. Jejich vynecháním z výpočtů se zvýšila šance na provedení výpočtů v rozumném čase. Tato metoda je plně bez dozoru a používá výhradně uměle generované sférických harmonik a fyzikální ztráty pro trénink, bez nutnosti anotovaných dat. Výsledky ukázaly rychlejší výpočet s přijatelnou chybou než jiné tradiční metody.
|
|
|
Akcelerace neurostimulace pomocí metod umělé inteligence
Gaňo, Martin ; Chlebík, Jakub (oponent) ; Jaroš, Jiří (vedoucí práce)
Léčba pomocí transkraniálního ultrazvuku je rychle se rozvíjející doménou medicíny. Tato metoda přináší možnosti neinvazivní mozkové terapie, včetně ablace, neuromodulace nebo potenciálního otevření hematoencefalické bariéry pro následující léčbu. Zdravotník potřebuje neustále dostávat zpětnou vazbu o ultrazvukovém vlnovém poli v lidské lebce v reálném čase, aby mohl pomocí těchto technik provést léčbu. Tradiční metody pro simulaci monochromních ultrazvukových vln jsou výpočetně příliš drahé. Jejich použití by proto bylo pro tyto účely neproveditelné a přináší to potřebu alternativních metod.Tato práce navrhla a implementovala metodu řešení Helmholtzovy rovnice ve 3D prostoru pomocí neuronové sítě dosahující vyšší rychlosti konvergence. Návrh neuronové sítě využívá odlehčenou architekturu založenou na UNet. Hlavním předmětem zájmu této práce je neuromodulace, protože v této aplikaci je možné ignorovat několik proměnných a jevů, které by v jiných případech nebyly zanedbatelné. Jejich vynecháním z výpočtů se zvýšila šance na provedení výpočtů v rozumném čase. Tato metoda je plně bez dozoru a používá výhradně uměle generované sférických harmonik a fyzikální ztráty pro trénink, bez nutnosti anotovaných dat. Výsledky ukázaly rychlejší výpočet s přijatelnou chybou než jiné tradiční metody.
|
|
|
Improving Robustness of Neural Networks against Adversarial Examples
Gaňo, Martin ; Matyáš, Jiří (oponent) ; Češka, Milan (vedoucí práce)
This work discusses adversarial attacks to image classifier neural network models. Our goal is to summarize and demonstrate adversarial methods to show that they pose a serious issue in machine learning. The important contribution of this work is the implementation of a tool for training a robust model against adversarial examples. Our approach is to minimize maximization the loss function of the target model. Related work and our own experiments leads us to use Projected gradient descent as a target attack, therefore, we train against data generated by Projected gradient descent. As a result using the framework, we can achieve accuracy more than 90% against sophisticated adversarial attacks.
|
host ::
RSS.