Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloDetecting adversarial inputs by looking in the black box
Anno di pubblicazione2019
Formato
  • Elettronico
  • Cartaceo
Autore/iCarrara F.; Falchi F.; Amato G.; Becarelli R.; Caldelli R.
Affiliazioni autoriCNR-ISTI, Pisa, Italy; CNR-ISTI, Pisa, Italy; CNR-ISTI, Pisa, Italy; University of Florence, Florence, Italy
Autori CNR e affiliazioni
  • FABIO CARRARA
  • GIUSEPPE AMATO
  • FABRIZIO FALCHI
Lingua/e
  • inglese
AbstractThe astonishing and cryptic effectiveness of Deep Neural Networks comes with the critical vulnerability to adversarial inputs - samples maliciously crafted to confuse and hinder machine learning models. Insights into the internal representations learned by deep models can help to explain their decisions and estimate their confidence, which can enable us to trace, characterise, and filter out adversarial attacks.
Lingua abstractinglese
Altro abstract-
Lingua altro abstract-
Pagine da16
Pagine a17
Pagine totali2
RivistaERCIM news
Attiva dal 1990
Editore: ERCIM. - Le Chesnay
Lingua: inglese
ISSN: 0926-4981
Titolo chiave: ERCIM news
Titolo abbreviato: ERCIM news
Titolo alternativo: European Research Consortium for Informatics and Mathematics news
Numero volume della rivista-
Fascicolo della rivista116
DOI-
Verificato da refereeSì: Internazionale
Stato della pubblicazionePublished version
Indicizzazione (in banche dati controllate)
  • ISI Web of Science (WOS) (Codice:000456690000011)
Parole chiaveAdversarial example, Deep neural networks, Image classification, Adversarial image detection, Representation learning
Link (URL, URI)https://ercim-news.ercim.eu/en116/special/detecting-adversarial-inputs-by-looking-in-the-black-box
Titolo parallelo-
Licenza-
Scadenza embargo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • ISTI — Istituto di scienza e tecnologie dell'informazione "Alessandro Faedo"
Moduli/Attività/Sottoprogetti CNR-
Progetti Europei-
Allegati
Detecting adversarial inputs by looking in the black box
Descrizione: published version (OA)
Tipo documento: application/pdf