Robust deep learning: A case study

Abstract : We report on an experiment on robust classification. The literature proposes adversarial and generative learning, as well as feature construction with auto-encoders. In both cases, the context is domain-knowledge-free performance. As a consequence, the robustness quality relies on the representativity of the training dataset wrt the possible perturbations. When domain-specific a priori knowledge is available, as in our case, a specific flavor of DNN called Tangent Propagation is an effective and less data-intensive alternative.
Type de document :
Documents associés à des manifestations scientifiques -- Hal-inria+
JDSE 2017 - 2nd Junior Conference on Data Science and Engineering, Sep 2017, Orsay, France. pp.1-5, 2017, 〈https://bigmine.github.io/jDSEParis17/〉
Liste complète des métadonnées

Littérature citée [9 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01665938
Contributeur : Cecile Germain <>
Soumis le : dimanche 17 décembre 2017 - 18:17:10
Dernière modification le : jeudi 11 janvier 2018 - 06:20:12

Fichier

JDSEtemplate.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01665938, version 1

Citation

Victor Estrade, Cécile Germain, Isabelle Guyon, David Rousseau. Robust deep learning: A case study. JDSE 2017 - 2nd Junior Conference on Data Science and Engineering, Sep 2017, Orsay, France. pp.1-5, 2017, 〈https://bigmine.github.io/jDSEParis17/〉. 〈hal-01665938〉

Partager

Métriques

Consultations de la notice

45

Téléchargements de fichiers

5