anonymous?

BACKGROUND Markov Chain Markov 성질을 갖는 이산 확률 과정 Markov 성질: 특정 상태의 확률($t-1$)은 현재 상태($t$)에만 의존한다. 이산 확률 과정: 이산적 시간(0초, 1초, …) 속 확률적 현상 Diffusion model 분류: 생성 모델 학습된 모델의 패턴을 생성. 많은 수의 latent variable을 만드는 Markov chain이 있음 패턴 생성 과정 학습 위해 고의로 패턴을 무너뜨리고(noising)(diffusion process), 이를 다시 복원하는 조건부 PDF를 학습(denoising)(reverse process) 학습 목표: reverse process $p_{\Theta}(X_{t-1} | X_t)$를 $q(X_{t-1} | X_t)$로..

ANALYSIS/Paper Review 2023. 8. 2. 00:53

Background DDPM 적대적 학습 없이 고해상도 이미지 합성 가능 샘플을 생성하는데 많은 단계의 Markov Chain 사용 생성 과정은 markov diffusion 과정의 reverse Summary DDPM(Denoising Diffusion Probabilistic Models)는 적대적 학습 없이 고해상도 이미지 합성 가능했지만, 샘플을 생성하는데 많은 단계의 Markov Chain 사용 ⇒ 샘플링 속도 높이기 위해 DDIM(Denoising Diffusion Implicit Models) 제안: DDPM과 동일한 학습 과정이지만 더 효과적인 반복적인 Implicit probabilistic model Approach MOTIVATION DDPM, DDIM 한계: 고해상도 이미지 생성하기..

ANALYSIS/Paper Review 2023. 8. 2. 00:51

Background 생성 모델 noise로부터 데이터를 생성하는 모델 2가지 성공적인 생성모델 분류 노이즈 수를 증가해가면서 학습 데이터를 점차 변형해가고, 이 변형을 reverse하게 학습하여 데이터의 생성모델을 생성 score matching with Langevin dynamics(SMLD): 각 노이즈 scale에서 score를 추정하고 Langevin dynamics를 사용해서 생성 동안 노이즈 scale을 감소시키면서 샘플링 Ordinary Differential Equations (ODE) 상미분 방정식: 어떤 함수가 방정식을 만족하는가?에 대해 ODE를 푸는 것 Summary SDE: 복잡한 데이터 분산에 천천히 노이즈를 추가해가면서 알려진 이전 분산으로 변환 reverse-time SDE..

ANALYSIS/Paper Review 2023. 8. 1. 23:49

BACKGROUND 생성 모델 활용 고해상도 이미지 생성 현실적인 말하기와 음악 일부 합성 semi-supervised learning 성능 향상 적대적 예제나 다른 이상 데이터 탐지 imitation learning 강화학습에서 기대하는 상태 탐색 생성 모델의 주류 likelihood-based 방식 → log-likelihood를 학습 대상으로 사용 generative adversarial network (GAN) → $f$-divergence를 최소화하기 위한 적대적 학습 사용 MOTIVATION 기존 생성모델의 한계 likelihood-based model 한계 일반화된 probability model을 구축하는데 특화된 구조를 사용하거나 학습을 위해 surrogate losses 사용 GAN 한..

ANALYSIS/Paper Review 2023. 8. 1. 23:42

BACKGROUND Classifier Guidance (Dhariwal & Nichol, 2021) 추가로 학습한 classifier를 사용하여 diffusion model의 샘플 품질을 가속하는 기술 diffusion model의 score 추정과 image classifier의 gradient를 결합 diffusion model과 분리하여 image classifier를 학습 conditional diffusion model에서 mode coverage와 sample fidelity 사이 trade-off를 달성하는 방안으로 소개됨 MOTIVATION Classifier가 없이도 guidance가 이루어질 수 있는가? - classifier guidance 한계 Classifier guidance는..

ANALYSIS/Paper Review 2023. 7. 31. 22:03

Background Diffusion Model likelihood-base model 고해상도 이미지 생성함을 보임 한계: LSUN, ImageNet과 같은 어려운 Data Set에서 GAN보다 이미지 생성이 어려움을 보임 Summary Motivation 기존 최신 생성 모델의 한계 (GAN) GAN은 최신 likelihood-based 모델보다 다양성이 부족함 학습이 어려움 심사숙고하게 hyperparameter와 regularizer를 선택하지 않으면 collapse 발생 ⇒ 이러한 GAN의 한계로 확장성이 부족 likelihood-based model 한계 장점: likelihood-based model로 GAN과 비슷하게 샘플 품질을 높여옴 단점 likelihood-base model은 div..

ANALYSIS/Paper Review 2023. 7. 31. 22:02

BACKGROUND fuzzing 랜덤한 입력을 줘서 crash나 hang과 같은 런타임 상태를 모니터링하고 잠재적인 보안 취약점을 찾는 동적 취약점 탐지 기술 MOTIVATION 전통적인 입력 변형 방식에서의 입력 포맷에 맞는 입력 생성의 어려움 테스트케이스는 최소한으로 충족해야 할 포맷 형태가 있으며 포맷에 의존성이 높고 포맷 파서에 의해 체크를 통과되어야 타겟 프로그램에서 해당 입력으로 실행될 가능성이 있다.→ 신경망과 기계학습의 발전으로, 퍼징에서 입력 포맷을 충족하는 입력을 생성하는데 신경망이 적용되고 있다. → 생성모델은 타겟 프로그램의 복잡한 입력 포맷을 학습하는데 사용해서 잘 구성된 테스트케이스를 빠르게 생성 가능 → 전통적인 퍼징에서 테스트케이스 생성은 mutation 기반으로 이루어지며..

ANALYSIS/Paper Review 2023. 7. 11. 22:00

BACKGROUND Hybrid fuzzing fuzzing과 비교했을 때 hybrid fuzzing은 추가로 concolic execution(퍼징된 경로를 다시 가서 경로의 조건을 해결하고 새로운 경로를 시도하는 것)가 있다. 목표: 높은 기능(concolic execution으로 복잡한 조건을 풀어서 커버리지와 버그를 갖는)을 하는 시드를 알아내는 것 하이브리드 퍼저에서 제한된 시간에서 콘콜릭 실행을 효율적으로 사용하기 위한 시드를 추정하는 것이 중요 하이브리드 퍼징 흐름 언제 퍼저가 콘콜릭 엔진을 실행할지 모니터링 콘콜릭 실행에 사용되는 환경변수 설정 퍼저와 콘콜릭 실행기 사이에서 입력을 선택하고 필터링 휴리스틱 기반 시드 선택 방식 새로운 코드 커버리지에 도달하면서 작은 크기를 갖는 시드를 선호..

ANALYSIS/Paper Review 2023. 7. 11. 12:00

BACKGROUND Fuzzing 랜덤 테스트 입력을 생성하고 생성한 입력으로 타겟 프로그램을 실행하여 잠재적 보안 취약점을 트리거한다. 퍼징의 단순성과 적은 성능 오버헤드로 리얼월드 프로그램의 다양한 취약점을 발견하는데 많이 사용해왔다. 퍼징에서의 최적화 문제 제한된 시간 동안 발견할 수 있는 취약점을 개수를 최대화하는 입력을 찾는 것이 목표 대부분의 퍼저는 코드 커버리지(ex. edge coverage)를 높여서 취약점을 발견할 가능성을 높이기 위해 가능한 많은 프로그램 코드를 실행함 퍼저에서 최적화 위해 진화 알고리즘 사용 코드 커버리지를 최대화하는 입력 생성하는 것 초기 시드 입력을 시작으로, 시드에 랜덤 변형을 가하면서 새로운 입력을 생성하고, 타겟 프로그램에 이 입력을 줘서 실행해서 유망한 입..

ANALYSIS/Paper Review 2023. 7. 10. 21:16

BACKGROUND 1. Greybox Fuzzing greybox fuzzing에서 새로운 입력은 mutation이나 crossover/splice를 통해 생성된다. (Seed Mutation) 생성된 입력은 fitness function에 의해 선택된다. (Seed Selection) 선택된 입력은 이후 mutation에서 사용하기 위해 seed pool에 넣는다. 이때 제한된 processing 능력 때문에 seed pool에 있는 아주 적은 시드만 선택되어서 다음 입력 mutation에 사용되기 위해 스케줄된다. 하나의 퍼저는 한 번에 하나의 시드만 스케줄링 할 수 있다. fitness function은 AFL에서 가장 많이 사용되는 것이 edge coverage이다. (새로운 branch에 도달..

ANALYSIS/Paper Review 2023. 6. 14. 01:16

BACKGROUND Fuzzing 타겟 프로그램에 많은 입력을 줘서 프로그램 예외를 분석하여 버그를 노출시키는 소프트웨어 테스트 기술 grey-box fuzzing 높은 효율성과 성능 Coverage-based grey-box fuzzing (CGF) 목표: 크래시를 더 많이 트리거하기 위해 코드 커버리지를 증가시킴 예시: AFL Directed grey-box fuzzing (DGF) 목표: 버그가 있는 코드 내 버그를 트리거하기 위한 입력 생성 랜덤 입력으로는 버그를 트리거 할 가능성이 낮기 때문에, DGF는 타겟 프로그램을 instrument하여 얻은 런타임 정보를 기반으로 버그 코드에 도달할 수 있는 입력을 생성 이미 알려진 취약점을 기반으로 PoC exploit을 생성하여 버그 코드에 적용하도록..

ANALYSIS/Paper Review 2023. 5. 14. 20:22

MOTIVATION 얼굴 영역 조작 시 컨텍스트는 그대로 두고 컨텍스트에 맞게 얼굴을 조정 → 조작 단서: **두 영역 사이 불일치** 겉으로 identity가 변경되는 얼굴 스왑으로 인한 얼굴 조작의 단서를 찾는 것 가설 A1. 얼굴 조작 방식은 얼굴의 내부 부분만 조작한다. 6가지 이미지 모두 얼굴은 조작되었지만 context는 그대로이다. (a), (b): 3D morphable model(3DMM)에 해당하는 영역, 즉 상단 이마 일부와 하단 턱 포함하는 얼굴 영역을 조작함 (c), (d): 정사각형 영역 조작 (e): 3DMM 기반 입 안쪽 부분을 제외한 얼굴 조작 (f): 얼굴 분할을 사용한 전체 얼굴 영역 조작 ⇒ Motivation 1: 이 얼굴 조작 방법 모두 머리 전체에는 영향을 주지 ..

ANALYSIS/Paper Review 2023. 4. 19. 11:25