Nowadays, copy detection patterns (CDP) appear as a very promising anti-counterfeiting technology for physical object protection. However, the advent of deep learning as a powerful attacking tool has shown that the general authentication schemes are unable to compete and fail against such attacks. In this paper, we propose a new mathematical model of printing-imaging channel for the authentication of CDP together with a new detection scheme based on it. The results show that even deep learning created copy fakes unknown at the training stage can be reliably authenticated based on the proposed approach and using only digital references of CDP during authentication.
translated by 谷歌翻译
瓶颈问题是一系列重要的优化问题，最近在机器学习和信息理论领域引起了人们的关注。它们被广泛用于生成模型，公平的机器学习算法，对隐私保护机制的设计，并在各种多用户通信问题中作为信息理论性能界限出现。在这项工作中，我们提出了一个普通的优化问题家族，称为复杂性 - 裸露的瓶颈（俱乐部）模型，该模型（i）提供了一个统一的理论框架，该框架将大多数最先进的文献推广到信息理论隐私模型（ii）建立了对流行的生成和判别模型的新解释，（iii）构建了生成压缩模型的新见解，并且（iv）可以在公平的生成模型中使用。我们首先将俱乐部模型作为复杂性约束的隐私性优化问题。然后，我们将其与密切相关的瓶颈问题（即信息瓶颈（IB），隐私渠道（PF），确定性IB（DIB），条件熵瓶颈（CEB）和有条件的PF（CPF）连接。我们表明，俱乐部模型概括了所有这些问题以及大多数其他信息理论隐私模型。然后，我们通过使用神经网络来参数化相关信息数量的变异近似来构建深层俱乐部（DVCLUB）模型。在这些信息数量的基础上，我们提出了监督和无监督的DVClub模型的统一目标。然后，我们在无监督的设置中利用DVClub模型，然后将其与最先进的生成模型（例如变异自动编码器（VAE），生成对抗网络（GAN）以及Wasserstein Gan（WGAN）连接起来，Wasserstein自动编码器（WAE）和对抗性自动编码器（AAE）通过最佳运输（OT）问题模型。然后，我们证明DVCLUB模型也可以用于公平表示学习问题，其目标是在机器学习模型的训练阶段减轻不希望的偏差。我们对彩色命名和Celeba数据集进行了广泛的定量实验，并提供了公共实施，以评估和分析俱乐部模型。
translated by 谷歌翻译
复制检测模式（CDP）是一项有吸引力的技术，可让制造商捍卫其产品免受伪造。CDP保护机制背后的主要假设是，由于数据处理不平等，无法复制或克隆工业打印机上的最小符号大小（1x1）的代码。但是，以前的作品表明，基于机器的攻击可以产生高质量的假货，从而基于传统的基于功能的身份验证系统的身份验证准确性降低。虽然深度学习（DL）可以用作身份验证系统的一部分，但据我们所知，以前的作品都没有研究基于DL的身份验证系统，反对基于ML的攻击具有1x1符号的CDP攻击尺寸。在这项工作中，我们研究了假设有监督学习（SL）设置的表现。
translated by 谷歌翻译
我们呈现Turbo-SIM，是可以用作生成模型的信息理论原理的广义自动统计学框架。通过最大化输入和编码器和解码器的输出之间的相互信息，我们能够重新发现通常在对手自身额外的损失术语和生成的对抗网络中发现的损失术语，以及各种更复杂的相关模型。我们的广义框架使这些模型在数学上解释，通过分别设置每个损失项的重量来允许新的新功能。该框架还与编码器的内在架构和解码器无关，因此为整个网络的构建块留下了广泛的选择。我们将Turbo-SIM应用于碰撞机物理生成问题：在实验中检测到检测后，在碰撞之后，在碰撞之后的理论空间，在观察空间之后，从理论空间转换几个粒子的性质。
translated by 谷歌翻译
条件生成是生成问题的子类，其中生成的输出由属性信息调节。在本文中，我们提出了一种随机对比条件生成的对抗网络（InfoSCC-GaN），具有易诺的潜在空间。 InfoSCC-GaN架构基于内置于Infonce Paradigm的无监督对比编码器，属性分类器和Eigengan生成器。我们提出了一种新颖的训练方法，基于每次$ N $第-th迭代的外部或内部属性使用外部或内部属性，使用预先培训的对比编码器和预先训练的分类器。基于输入数据和潜在空间表示之间的相互信息最大化以及潜在空间和生成的数据来导出所提出的INFOSCC-GAN。因此，我们展示了训练目标函数与上述信息理论制剂之间的联系。实验结果表明，InfoSCC-GaN在AFHQ和Celeba数据集上的图像生成中优于“vanilla”Eigengan。此外，我们通过进行消融研究调查鉴别员架构和损失功能的影响。最后，我们证明，由于eigengan发电机，所提出的框架与Vanilla确定性GAN相比，与现有框架相比，与Vanilla确定性GAN相比，与Vanilla确定性GAN相反。代码，实验结果和演示可在HTTPS://github.com/vkinakh/infoscc-在线提供。
translated by 谷歌翻译
不连续分布的生成是大多数已知框架的困难任务，例如生成的自动化器和生成的对抗网络。生成的非可逆模型无法准确地生成此类分布，需要长期训练，并且经常受模式崩溃。变形AutoEncoders（VAES），基于保持潜在空间的想法是为了简单的采样，允许准确的重建，同时在生成任务中遇到重大限制。在这项工作中，我们使用预先训练的对比编码器来获得聚类潜空间来保持潜在的空间。然后，对于每个群集表示单向子多种子区，我们训练专用的低复杂性网络以从高斯分布生成该子多种。所提出的框架基于输入数据和潜在空间表示之间的相互信息最大化的信息定理制定。我们派生了成本函数与信息理论制定之间的联系。我们将我们的方法应用于合成2D分布，以展示使用连续随机网络的重建和产生不连续分布的方法。
translated by 谷歌翻译
归一化流量是漫射的，通常是维持尺寸保存，使用模型的可能性训练的模型。我们使用Surve Framework通过新的层构建尺寸减少调节流量，称为漏斗。我们展示了对各种数据集的功效，并表明它改善或匹配现有流量的性能，同时具有降低的潜在空间尺寸。漏斗层可以由各种变换构成，包括限制卷积和馈送前部。
translated by 谷歌翻译
我们描述了一个轻巧但性能的系统，用于高参数优化，该系统近似可最大程度地减少通过使用目标优先级标量标量的多重性能目标获得的总体标量成本函数。它还支持权衡模式，目标是通过与用户互动来找到目标之间的适当权衡。我们关注的是在数十个超参数的顺序上，每个方案都具有各种属性，例如一系列连续值或有限的值列表，以及是否应在线性或对数刻度上进行处理。该系统支持多个异步模拟，并且对模拟散乱者和故障具有鲁棒性。
translated by 谷歌翻译