[3Win5] ポスターセッション3

[3Win5-18] Positive-Unlabled学習におけるロバスト過学習の抑制

〇柴崎 龍¹、計良 宥志¹、川本 一彦¹ (1.千葉大学)

キーワード：敵対的学習、Positive-Unlabeled学習、頑健性

深層学習による分類モデルは，原サンプルに微小なノイズを加える（敵対的攻撃）だけで誤分類を引き起こすことが知られている．本研究では，二値分類のPositive-Unlabeled（PU）学習の設定でそのような攻撃に対して頑健な分類モデルを作成する．PU学習の自然なアプローチは，すべてのラベルなしデータ（U）を疑似的な負例として扱い，分類リスクを最小化することである．しかし，この手法と一般的な敵対的攻撃を防御する学習法を組み合わせると，頑健性向上の過学習により，摂動のない画像に対する精度（標準精度）が著しく低下する問題が発生する．この問題への対策として，PU学習の手法に頑健性と標準精度のトレードオフをコントロール可能な防御手法を適用する方法を提案する．ベンチマークデータセットでの実験により，提案手法が標準精度を保ちながら頑健性を獲得できることを検証した．