Generative Adversarial Perturbations for Robustness in BCI and 3D Recognition
연구 내용
생성형 모델이 보편적 적대 교란을 생성하고, 신호·점군 입력에서 경량 반교란 모듈로 전이 가능한 방어를 수행하는 강건성 연구
생체 기반 BCI 분류와 3D 점군 인식은 딥러닝 모델의 취약성으로 인해 예측 안정성이 위협받을 수 있습니다. 본 연구는 생성형 적대 교란을 효율적으로 생성해 보편적 공격을 수행하는 접근과, 입력 수준에서 instance-specific 반교란을 생성해 공격을 무력화하는 방어 접근을 함께 다룹니다. 특히 점군에서는 데이터 공간의 기하학적 일관성과 특징 공간의 의미 일관성을 함께 제약하여 전이성을 확보하는 방향으로 연구를 수행합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 EEG 기반 BCI에서 비표적 및 표적 공격에 공통 적용 가능한 보편적 적대 교란을 생성하는 생성형 모델(GPN) 연구를 수행했습니다. 이후 생성형 교란을 실제 인식 파이프라인에 적용하는 문제로 확장하여, 3D 점군 인식에서 강건성과 전이성 사이의 균형을 목표로 입력 수준 반교란 모듈(APC)을 제안했습니다. 최근에는 다양한 공격 유형에서 학습된 일관성 제약을 통해 보지 못한 모델에도 방어가 직접 전이되도록 설계하는 흐름으로 발전했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Generative Perturbation Network for Universal Adversarial Attacks on Brain-Computer Interfaces
APC: Transferable and Efficient Adversarial Point Counterattack for Robust 3D Point Cloud Recognition
APC: Transferable and Efficient Adversarial Point Counterattack for Robust 3D Point Cloud Recognition